本章涉及到的知识点清单：
1、条件概率
2、贝叶斯定理
3、目标概率映射
4、目标概率映射的极大似然估计
5、朴素定义—条件独立性假设
6、分类逻辑
7、优化分类器
8、朴素贝叶斯分类器实战—英文评论留言分类
9、文档切词—构造词条列表
10、构造词汇表—定义特征值和特征向量
11、python编程实战实现朴素贝叶斯分类器
12、分类器结果展示和总结
一、条件概率
假设有下列两个事件A和B
事件A：早上乘坐地铁却没有赶上8点钟的地铁
事件B：上班迟到
如果我们需要统计：在所有上班迟到的人之中，有多少人是因为早上没有赶上8点钟的地铁？那么可以用来表示这个概率结果—条件概率
条件概率的定义：在事件B发生的条件下，量化事件A发生的概率
同理，即表示：在所有没有赶上8点钟地铁的人之中，有多少人上班迟到了？
由条件概率的定义，可以得到其计算方式为
其中，表示事件A和B共同发生的概率—联合概率
表示事件B单独发生的概率—边缘概率
二、贝叶斯定理
我们写出两个条件概率：和
由于，则联立两个式子，得
上式就是贝叶斯定理，它告诉我们如何交换条件概率中的条件与结果，即如果计算困难，那么可以先计算
三、目标概率映射
令X表示一个样本实例的特征向量，其是由一系列特征值构成的n维向量，即
其中x1，x2等代表特征值，则X是一个n维特征向量，代表一个样本实例的量化结果
令C表示所有样本的分类集合
一个样本属于一个类别，即一个特征向量Xi和一个具体的类别ck具有一组映射关系。而这组映射关系，可以用条件概率来这样描述
：表示任意一个n维特征向量X，属于类别ck的条件概率
而根据贝叶斯定理
通过观察，上式中Xi属于c1、c2或者ck的概率，分母都会存在Xi的边缘概率，即Xi属于任何类别的概率和其边缘概率
无关，为此我们可以得到
即我们要计算条件概率，需要先从样本集合中学习到以下两个概率映射：
（1）条件概率：
（2）边缘概率：
四、目标概率映射的极大似然估计
接下来我们需要计算要学习的目标概率，可以用统计计数（极大似然估计）来计算这两个概率
假设有M个样本（M个特征向量），则边缘概率的极大似然估计为：
即M个样本中，各个样本类别c=ck发生的次数，除以样本总数
条件概率的极大似然估计为：
即M个样本中，各个样本X=Xi且类别c=ck共同发生的次数，除以各个样本类别c=ck发生的次数
五、朴素定义—条件独立性假设
计算完和
这两个概率映射后，对于任意一个新样本的特征向量X，我们只需要将其带入
映射计算，最后用贝叶斯定理计算出
，不过这里会存在一个问题：
我们将的特征向量X展开为n个特征值表示
假设每一个特征值都是二值化（binary），则X共有种可能的取值
再假设类别集合C总共只有2个类别，那么总共就有
种可能性的组合
即上述概率乘积面临“组合爆炸”的可能性非常大，为了降低参数可能的组合总数，就需要用到朴素贝叶斯假设
朴素贝叶斯假设：也称条件独立性假设，指当在c=ck这个条件（事件）的情况下，不同特征值之间的取值互相独立
即：
上述翻译为：在类别为ck的条件下，特征值x1取值的条件概率与其余特征值的取值无关
六、分类逻辑
应用朴素贝叶斯假设，我们将待分类的特征向量X带入概率映射计算，得
可以看到，当xj和ck都是binary的时候，通过应用朴素贝叶斯假设，组合参数的个数由减少到了
接下来用贝叶斯定理计算出待分类的特征向量X属于ck的条件概率，即
最后统计出X属于分类集合C=c1|c2...|ck中条件概率最大的类别，就是X的分类结果，即
至此，我们就利用贝叶斯定理和朴素贝叶斯假设，完成了朴素贝叶斯分类器
七、优化分类器
上述分类器存在2点需要优化的地方：
（1）由于计算过程中存在连乘运算，则当某一个特征值xj的条件概率
为0时，会使得整个连乘运算
的结果为0
优化方法：将每个特征值xj的条件概率
都初始化为1
（2）还是由于连乘运算可能会使得一些列小数的乘积结果下溢出
优化方法：可以利用对数的乘积运算转化为对数之和
分别对和
取对数，即可防止计算结果下溢出
八、朴素贝叶斯分类器实战—英文评论留言分类
接下来我们分析一个实际的文本分类例子—在线社区的留言板
为了不影响社区的正面发展，从产品的角度，希望社区可以自动屏蔽带有侮辱类（负面）的留言，让社区只保留非侮辱类（正面）的留言
那么从技术的角度，利用监督式学习，我们希望从历史留言中选取部分样本来学习一个留言分类器，用来对新留言进行逻辑推理，判断新留言是否属于侮辱性类别的留言，这里我们采用朴素贝叶斯模型训练分类器
则对此问题建立两个类别：侮辱类和非侮辱类，分别使用1和0来表示，为此，我们列出该场景下使用朴素贝叶斯训练分类器的步骤：
（1）收集数据：获取留言和其分类结果
（2）量化数据：将留言解析量化为词条向量（特征值的定义）
（3）分析数据：检查词条向量确保量化的正确性
（4）训练分类器：计算特征向量中不同特征值的条件概率
（5）使用分类器：根据计算好的条件概率，通过朴素贝叶斯计算新留言属于每个类别的概率
（6）测试算法：交叉验证分类器
假设已经有了样本留言，则我们从量化数据开始一步步构造分类器
九、文档切词—构造词条列表
首先，我们对每个句子进行英文语法的切词，定义切词的规则如下：
（1）以标准英文单词的空格语法来切分句子（使用正则表达式过滤标点符号）
（2）统一所有单词为小写单词
（3）切分的单词长度均大于3
（4）切分单词没有出现在停词表中（排除冠词、量词、语气词等无用词）
PS：根据不同场景，切词的规则可以很复杂
用以上切词规则，我们将样本句子切分为下列词条列表
十、构造词汇表—定义特征值和特征向量
接下来我们整理词条列表中的每一个单词，排除重复出现的单词，构造出样本的词汇表
可以看到去重后有14个单词组成词汇表，而这14个单词可以反映描述到所有句子中
词汇表的意义为将句子翻译为特征值和特征向量（词条向量）
（1）特征值的定义：词汇表中的单词依次是否出现在当前句子中，出现为1，没有出现为0
（2）特征向量的定义：由所有特征值组成的词向量
根据上述定义，我们用词汇表作为翻译标准，将词条列表翻译为下列词向量
至此，我们用这个14维的词向量来描述一个句子的所有特征—单词的分布和出现情况，即完成了句子到向量的量化过程
PS：文本处理的特征值一般有两个模型
（1）词集模型：单词在句子中是否出现
（2）词袋模型：单词在句子中出现的总次数
案例里我们使用了词集模型来定义特征值，接下来只要使用词向量来训练分类器即可
十一、python编程实战实现朴素贝叶斯分类器
十二、分类器结果展示和总结
最后用训练好的分类器来测试新留言句子的分类结果为
至此，我们可以总结出使用朴素贝叶斯作为分类器的几个特点
（1）朴素贝叶斯是一个通用的分类器，通过监督学习可以处理文本分类、公司上市质量、股票质量等多分类问题
（2）利用条件独立性假设，降低了对数据量组合的需求，虽然这个假设过于简单，甚至有时不正确，可是朴素贝叶斯仍然是一种有效的分类器
（3）对于文本分类问题的朴素贝叶斯分类器的优化空间主要有：
a：特征值的定义，如词袋模型的效果高于词集模型，停用词表的优化等
b：切词的规则
案例代码见：英文评论留言分类
