分类算法——朴素贝叶斯模型

资料：

贝叶斯系列教程：
https://blog.csdn.net/cindy407/article/details/93523568

Tips:上述资料中，在第三章《贝叶斯③——Python实现贝叶斯文本分类（伯努利&多项式模型对比）》中，关于“④ 计算类别概率和类条件概率（伯努利和多项式）”中的多项式模型的代码逻辑好像有问题，笔者思路如下：

# 多项式模型
def cal_prob_m(dataset,classVec):
    Pvec_1 = np.ones(len(dataset[0]))
    Pvec_0 = np.ones(len(dataset[0]))
    Pnum_1,Pnum_0 = len(dataset[0])  # 多项式分母是加上训练样本的单词总数，这里用词典的长度来作为单词数量
    for i, data in enumerate(dataset):
        if classVec[i] == 1:
            Pvec_1 += data
            Pnum_1 += sum(data)
        else:
            Pvec_0 += data
            Pnum_0 += sum(data)
    Prob_1 = np.log(Pvec_1/Pnum_1)  # 多项式类条件概率是用某单词在此类文档中出现的次数之和/此类文档的单词总数（包括重复的），这里取对数是为了后面方便计算
    Prob_0 = np.log(Pvec_0/Pnum_0)
    category_1 = sum(Pvec_1)/(Pnum_1 + Pnum_0)  # 多项式类别概率是用类别所有词的出现次数之和/整个训练样本所有词的出现次数之和，也就是类别单词总数/训练样本单词总数
    return category_1,Prob_1,Prob_0

跟原文中的代码相比，去除了sum()函数求和的操作。