自然语言处理 - 朴素贝叶斯

https://wizardforcel.gitbooks.io/dm-algo-top10/content/naive-bayes.html

朴素贝叶斯为何朴素：
因为引入条件独立假设，特征的顺序变得无关紧要，所有优点naive。在自然语言处理中，另外一种说法叫做“词袋模型”。

特征预处理:
1. 分词
2. 消除停用词
3. 消除特殊字符

sklearn钟的朴素贝叶斯：
1. MultinomialNB: 多项式朴素贝叶斯 （常用）
2. BernoulliNB: 倍努力朴素贝叶斯（常用）
3. GaussianNB: 高斯朴素贝叶斯（服从正态分布的连续变量）

平滑技术：
在小数据集中，通常会出现某些词汇0频率的现象，这样概率计算值为0，没有意义。
采用平滑方法进行处理：
倍努力模型：分子+1， 分母+2
多项式模型：分子+1，分母+词表大小

原始关键词法 vs 朴素贝叶斯法：
贝叶斯效率高，准确率高。
原始关键词法容易被反攻。

常见的工程优化手段：
1.训练阶段-对数运算-hash方法，提高预测阶段效率
2.二分问题-训练阶段-赋值权重-hash方法，提高预测阶段效率
3.二分为题-训练阶段-赋值权重-topK权重-hash方法-设定阈值，进一步提高效率
4.topK方法下优化：
      a.对于长篇幅，进行分段
      b.对于短篇幅，调整关键词数量和阈值高低
5. 位置权重：额外添加位置权重，提高预测精度
6. 蜜罐：设置限制邮箱-手机垃圾邮件-数据收集工作

朴素贝叶斯如何处理不均衡标签的问题？
本质上是样本中的先验概率出现差异：
如果确信在总体中先验概率是均衡的，则依然使用最大似染法
如果使用最大似然法依然会有偏差，则调整系数或者阈值。

贝叶斯实现代码python

import numpy as np 
import math
# 使用词集法进行贝叶斯分类