一般地，贝叶斯算法可用于新闻分类，文本分类以及邮件分类

贝叶斯统计学方法 = 总体信息 + 样本信息 + 先验信息

• 总体信息：当前总体样本符合某种分布。比如抛硬币，二项分布。学生某一科的成绩符合正态分布
• 样本信息：通过抽样得到的部分样本的某种分布。
• 先验信息：抽样之前，有关推断问题中位置参数的一些信息，通常来源于经验或历史资料(比如让一个音乐家猜某歌曲的作者和让一个小学生猜某歌曲的作者，音乐家具有先验信息)

古典学派和贝叶斯学派的矛盾：是否承认先验知识

贝叶斯定理：

对公式的分析： 后验概率 = 先验概率 * 调整因子

• 如果 调整因子>1 ，意味着’先验概率’被增强，事件A的发生的可能性变大；
• 如果 调整因子=1 ，意味着B事件无助于判断事件A的可能性；
• 如果 调整因子<1 ，意味着"先验概率"被削弱，事件A的可能性变小

在邮件分类的应用中：

• P(A)：是垃圾邮件的概率
• P(B)：带有某特征的邮件的概率
• P(A|B)：已知一封邮件具有某特征，该邮件为垃圾邮件的概率

朴素贝叶斯：

X1,X2,…,Xn之间相互独立，则

我们大脑中也是有贝叶斯算法的：

在Line1中，由于我们的大脑认识A、C，存在先验信息，因此我们会把Line1的图案当作字母“B”。而Line2中，由于两侧是12、14，我们的大脑会帮我们把图案理解为数字“13”。由于有了“样本信息”和“先验信息”，我们会将相同的图案理解为不同的含义。

利用朴素贝叶斯进行文档分类

from sklearn.datasets import fetch_20newsgroups
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB


def navieBayes():
    """
    朴素贝叶斯进行文本分类
    :return: None
    """
    news = fetch_20newsgroups(subset='all')
    # 进行数据分割，分成训练集和测试集
    x_train, x_test, y_train, y_test = train_test_split(news.data, news.target, test_size=0.25)
    # 对数据集进行特征抽取
    tfidf = TfidfVectorizer()
    # 抽取训练集的特征，x_train由文本变成特征矩阵
    x_train = tfidf.fit_transform(x_train)
    print(tfidf.get_feature_names())
    print('训练集统计结果为：', x_train.toarray())
    # x_train由文本变成特征矩阵
    x_test = tfidf.transform(x_test)
    # 实例化朴素贝叶斯对象，alpha表示拉普拉斯平滑系数，确保概率不为0
    mlt = MultinomialNB(alpha=1.0)
    # 将训练集的特征值和目标值传入API进行计算，计算每个词在特定类别文章中出现的次数
    mlt.fit(x_train, y_train)
    # 给测试数据，得到文章分类的预测结果
    y_predict = mlt.predict(x_test)
    print('预测的文章类别为：', y_predict)
    # 得出准确率
    print('准确率为：',mlt.score(x_test, y_test))


if __name__ == '__main__':
    navieBayes()

朴素贝叶斯的优缺点

优点：

1. 朴素贝叶斯发源于古典数学理论，有稳定的分类效率
2. 对缺失数据不敏感，算法较简单，常用于文本分类
3. 分类准确度高，速度快

缺点：

1. 由于使用了样本属性独立性的假设，所以如果样本属性有关联试效果不好