朴素贝叶斯
概念：
英文名Naive Bayesian Model，简称NB，是一种玩条件概率的分类模型。
条件概率公式：
P(A) 指事件A发生的概率；
P(AB) 指事件A与B同时发生的概率；
P(A|B) 指事件A在事件B已经发生的情况下，发生的概率。
示例：
评价分类，好评（标记为0）或差评（标记为1）的数据集 DataSet：
上面的单词模型 VacbModel（词袋模型）就是：
[my, problems, cute, dalmation, so, licks, steak, take, food, stupid, I, posting, ate, not, quit, has, maybe, flea, dog, him, please, garbage, buying, to, worthless, love, is, stop, mr, how, park, help] 32项
DataSet[0] 中的 problems 对应到 VacbModel 中的第2项，也即 VacbModel[1]。如果对应到即表示1，没有对应就表示为0，那么DataSet[0]的词集是：
[1,1,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,1,1,0,1,0,0,0,0,0,0,0,0,0,0,1]
设A为 “一个句子出现这些词”，设B为“分类结果”，如果要求某个句子是好评还是差评，那么要求的就是P(AB)，P(A)是抽象的，但P(B)是好求的，那么问题就是P(A|B)。
可以从这个角度想：如果能从所有差评的词集，知道哪些词对分类结果其关键性作用，那么就可以给那些词赋予比较大的权重，然后让待分类句子的词集去乘上这个权重再做处理。
这种处理的关键还在于：设所有词相互独立，即词与词间没有关系。
步骤：
1.设差评分类为B1，现取所有差评的数据集DataSet1，所有词出现次数初始化为1，求出所有差评的词集p1Num，并且求出一共有多少词P1Denom（初始化为2）。
for i in range(DataSet_Count): if Label[i] == 1: p1Num += DataSet_Vec [i] p1Denom += sum(DataSet_Vec [i]) else: p0Num += DataSet_Vec [i] p0Denom += sum(DataSet_Vec [i])
更直观地，设以下两项均是标记为 1 的句子：
[1,0,0,1,0,1,1,0]
[0,0,0,1,0,1,1,0]
p1Num = [1,0,0,2,0,2,2,0]
p1Denom = 4 + 3 = 7
2.求：差评中，一个句子中某个词的出现概率
还是点1的计算实例：
P=[1,0,0,2,0,2,2,0] / 7 = [0.14, 0, 0, 0.29, 0, 0.29, 0.29, 0]
3. 处理待分类句子，求出其词集后分别乘上（矩阵乘法）好评词集权重、差评词集权重
设待分类句为testSentence：['love', 'my', 'dalmation']
句子词集是testVec： [0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
（[1,32]矩阵与[32,1]矩阵相乘，结果是一个数）
4.将利用步骤3得到的数，就是P(A|B)，与差评率（差评总数/评论总数）相乘，得到待分类句子是差评率的结果。
P(AB) = P(A|B)P(B)
数据处理TIPS:
由于计算过程中可能存在许多很小的小数，可能会出现数据下溢问题（python相乘很小的数，四舍五入后得到0），所以可以采取对乘积取自然对数。例如，ln(a*b) = ln(a) + ln(b)。
所以求步骤3，可以这样处理：log(P * testVec^T)，步骤4：result = log(P * testVec^T) + log(P(B))。注：此处的*是矩阵乘法。
朴素在哪？
设所有词相互独立，即词与词间没有关系。
局限：
1.分词，对于英文来说，通过空格、符号分词，可能可行，但中文来说应该挺麻烦，可能需要其他方法；
2.“朴素”让算法简单化，但其实词与词之间应该是有关系的，例如sit，sit后可能接on，可能没有，但不会是动词；对于句子的处理总有很多问题，分词，词的排序，词间关系，词的意思，等等有很多花样。
3.步骤3呈线程处理，可能还有些拓展空间；
4.关于空间使用上，就是三五万个词汇，好像也还好，毕竟像是神经网络模型都是动辄几万、几百万参数。