机器学习的一个重要应用就是文档的自动分类，比如一封电子邮件、新闻报道、用户留言、*公文等。在文档分类中，比如一封电子邮件就是一个实例，而电子邮件中的某些元素（词语）则构成特征。我们可以观测文档中出现的词，并把每个词的出现或者不出现作为一个特征，这样得到的特征数目就会跟词汇表中的词目一样多。
朴素贝叶斯是比较常用的算法，朴素的含义是假设特征之间相互独立，为啥需要这个假设呢？
假设词汇表中有1000个单词，要得到好的概率分布，就需要足够的数据样本，假设每个特征需要N个样本，那么对于1000特征的词汇，则需要N的1000次幂。随着特征数目增大样本数会迅速增长。但如果假设特征之间相互独立，则样本数可以由N的1000次幂减少到1000*N个。
所谓的独立指的是统计意义上的独立，即一个特征或者单次出现的可能性与它和其他单词相邻没有关系。比如，单词bacon出现在unhealthy和出现在delicious后面的概率相等，当然这个假设并不正确，两者肯定不相等，这个假设正是朴素贝叶斯中的朴素的概念。朴素贝叶斯的另外一个假设是每个特征同等重要。其实这个假设也有问题，如果要判断留言板的留言是否恰当，可能并不需要看完所有的1000个单词，而只需要看10-20个单词（特征）即可做出判断。
尽管朴素贝叶斯有这些小瑕疵，但是实际的效果仍然很好。
案例：
以斑点狗论坛留言板为例，需要构建一个快速过滤器，屏蔽一些侮辱性的言论。对此类问题需要建立两个类别，侮辱和非侮辱类，使用1和0分别表示。
1、将文本转化为数字向量
要从文本中获取特征，需要先拆分文本。将文本片段表示为一个词条向量，其中值1表示词条出现在文档中，0表示词条未出现。
1）导入数据
2）创建一个包含在所有文档中不重复的词汇表
运行案例如下：
3）获取词汇表之后，就可以根据词汇表以及样本文档，输出样本的数字向量。
向量的每一个元素为0或者1，分别表示词汇表中的单词是否在输入文档中出现。
案例结果：
将训练文本全部转为数字向量。
向量的每个元素0，或1 代表评论中的词是否在词汇表中出现，向量的长度为词汇表的长度。
2、训练算法，从词向量计算概率。
贝叶斯公式：p(h+|D)=p(D|h+)*p(h+)/P(D), h+代表侮辱性留言，D表示评论。现在D里面含有N个单词d1、d2、d3...dn。如果将D展开为一个个特征，可以将P(D|h+)写成P(d1,d2,...dn | h+)，这里假设各个特征d1...dn之间都相互独立，该假设也称为条件独立性，它意味着可以将P(d1,d2,...dn | h+)转化为P(d1 | h+)*P(d2 | h+)*...P(dn | h+)，这就极大的简化了计算过程。
程序思路：
计算每个类别汇总的文档数目
对每篇训练文档：
对每个类别：
如果词条出现在文档中，则增加该词条的计数值
增加所有词条的计数值
-
对每个词条：
将该词条的数目除以总词条数目得到条件概率
返回每个类别的条件概率
执行案例：
3、根据朴素贝叶斯进行分类。
下面就是分别求出P(h+|D)、P(h-|D)，然后根据两者的大小，取值大的类别做决策。
P(h+|D) = P(D|h+) *P(h+) / P(D) = (P(d1 | h+)*P(d2 | h+)*...P(dn | h+))*P(h+) / P(D)
P(h-|D) = P(D|h-) *P(h-) / P(D) = (P(d1 | h-)*P(d2 | h-)*...P(dn | h-))*P(h-) / P(D)
在计算P(d1 | h+)*P(d2 | h+)*...P(dn | h+)时，假设有一个P(di | h+)=0，那么这个式子的乘积也会0，为降低这种影响，可将素有词的出现数均初始化为1，将分母初始化为2
另外一个问题是下溢出，这是由于太多很小的数相乘，四舍五入会得到0，此时的解决办法是对乘积取自然对数。主要参考是因为ln(a*b)=ln(a)+ln(b)，因为为f(x)和ln(f(x))的曲线变化趋势一致。虽然取值不一样，但不影响我们的判断。
测试案例：
