又一个通用朴素贝叶斯分类器
naiveBayesClassifier的Python项目详细描述
朴素贝叶斯分类器又是一种通用朴素贝叶斯分类器。（在大量开发中）
血淋淋的。
你想用这个预先分类/预先分类的文本来训练一个系统。因此，您最好将此数据称为您的训练集。
"
从NaiveBayesClassifier导入标记器
从NaiveBayesClassifier导入标记器。Trainer导入Trainer
从NaiveBayesClassifier导入标记器。Classifier导入标记器
tem将每个文本逐个传递给教练模块。
新闻集=[
{'text'：'不吃太多不足以减肥'，'category'：'health'}，
{'text'：'俄罗斯试图入侵乌克兰'，'category'：'politics'}，
{'text'：'不要忽视锻炼'，'category'："健康"}，
{'text'：'叙利亚是主要问题，奥巴马说，''类别'：'政治'}，
{'text'：'吃东西减肥'，'类别'：'健康'}，
{'text'：'你不应该吃太多'，'类别'：'健康'}
]
s['category']）
拥有，但是。
unknown instance="即使我吃得太多，也不可能减肥吗"
classification=newsregifier.classification（unknown instance）
```
***注意***：您肯定需要比上面示例中的数量多得多的培训数据。实际上，像这个例子中这样的几行文字是不可能成为足够的训练集的。
相反，这里引用了一个最有说服力的解释。
>；贝叶斯分类刷新器：假设您有一组类
>；（例如类别）c:={c 1，…，cu n}，以及一个文档d，包含单词d:={w1，…，wu k}。我们希望确定在给定一组与文档和类相关联的训练数据的情况下，文档属于某个C类的概率
>；
>；
>；
>；根据贝叶斯定理，我们得到了
>；
>；p（c_j_d）=p（d_c_j）*p（c_j）/p（d）。
>；
>；
>；lhs是给定文档本身，文档属于c_j
>；类的概率（实际上，这意味着该文档中出现的单词
>；频率），我们的程序将
>；计算每个j的该概率，并找出最有可能的
>；为该文档分类。
>；
>；p（c_j）被称为"优先"概率，或文档通常属于c_j的概率，而不首先看到
>；文档。p（d c_j）是看到这样一个
>；文档的概率，因为它属于c_j。在这里，通过假设单词
>；独立出现在文档中（这是"天真的"假设），我们可以估计
>；
>；p（d c_j）~=p（w_1 c_j）*…*p（w_k c_j）
>；
>；其中p（w_i_c_j）是在给定类的
>；文档中看到给定单词的概率。最后，p（d）可以看作是一个
>；sc且与分类无关，
>；除非您希望将结果分数标准化并实际看到
>；概率。在这种情况下，请注意
>；
>；p（d）=和j（p（d c_j）*p（c_j））
>；
>；执行这些计算时的一个实际问题是计算p（d c_j）时，float64下溢的可能性，因为
>；单个单词的概率可以任意小，并且
>；文档可以具有任意的la他们的人数。处理此情况的典型方法是将概率转换为
>；日志域并执行加法而不是乘法运算：
>；
>；log p（c_j）~log（p（c_j））+sum_i（log p（w_i_j））
>；
>；其中i=1，…，k。请注意，通过这样做，我们将放弃缩放事实。r p（d）和我们的分数不再是概率；
>；但是，分数的单调关系由
>；log函数保持。
ents
这个分类器使用一个非常简单的标记器，它是一个将句子拆分成单词的模块。如果你的训练集很大，你可以依赖可用的标记器，否则你需要有一个更好的标记器专门用于你的训练文本的语言。
\todo
*内联文档
*单元测试
\authors
*mustafa atik@muatik
*nejdet yucesoy@nejdetckenobi
[1]：https://github.com/jbrukh/bayesian/blob/master/bayesian.go
[2]：http://www.cs.ucr.edu/~eamonn/ce/bayesian%20classification%20withinspect\u examples.pdf
[3]：http://nlp.stanford.edu/ir-book/html/htmledition/naive-bayes-text-classification-1.html
血淋淋的。
你想用这个预先分类/预先分类的文本来训练一个系统。因此，您最好将此数据称为您的训练集。
"
从NaiveBayesClassifier导入标记器
从NaiveBayesClassifier导入标记器。Trainer导入Trainer
从NaiveBayesClassifier导入标记器。Classifier导入标记器
tem将每个文本逐个传递给教练模块。
新闻集=[
{'text'：'不吃太多不足以减肥'，'category'：'health'}，
{'text'：'俄罗斯试图入侵乌克兰'，'category'：'politics'}，
{'text'：'不要忽视锻炼'，'category'："健康"}，
{'text'：'叙利亚是主要问题，奥巴马说，''类别'：'政治'}，
{'text'：'吃东西减肥'，'类别'：'健康'}，
{'text'：'你不应该吃太多'，'类别'：'健康'}
]
s['category']）
拥有，但是。
unknown instance="即使我吃得太多，也不可能减肥吗"
classification=newsregifier.classification（unknown instance）
```
***注意***：您肯定需要比上面示例中的数量多得多的培训数据。实际上，像这个例子中这样的几行文字是不可能成为足够的训练集的。
相反，这里引用了一个最有说服力的解释。
>；贝叶斯分类刷新器：假设您有一组类
>；（例如类别）c:={c 1，…，cu n}，以及一个文档d，包含单词d:={w1，…，wu k}。我们希望确定在给定一组与文档和类相关联的训练数据的情况下，文档属于某个C类的概率
>；
>；
>；
>；根据贝叶斯定理，我们得到了
>；
>；p（c_j_d）=p（d_c_j）*p（c_j）/p（d）。
>；
>；
>；lhs是给定文档本身，文档属于c_j
>；类的概率（实际上，这意味着该文档中出现的单词
>；频率），我们的程序将
>；计算每个j的该概率，并找出最有可能的
>；为该文档分类。
>；
>；p（c_j）被称为"优先"概率，或文档通常属于c_j的概率，而不首先看到
>；文档。p（d c_j）是看到这样一个
>；文档的概率，因为它属于c_j。在这里，通过假设单词
>；独立出现在文档中（这是"天真的"假设），我们可以估计
>；
>；p（d c_j）~=p（w_1 c_j）*…*p（w_k c_j）
>；
>；其中p（w_i_c_j）是在给定类的
>；文档中看到给定单词的概率。最后，p（d）可以看作是一个
>；sc且与分类无关，
>；除非您希望将结果分数标准化并实际看到
>；概率。在这种情况下，请注意
>；
>；p（d）=和j（p（d c_j）*p（c_j））
>；
>；执行这些计算时的一个实际问题是计算p（d c_j）时，float64下溢的可能性，因为
>；单个单词的概率可以任意小，并且
>；文档可以具有任意的la他们的人数。处理此情况的典型方法是将概率转换为
>；日志域并执行加法而不是乘法运算：
>；
>；log p（c_j）~log（p（c_j））+sum_i（log p（w_i_j））
>；
>；其中i=1，…，k。请注意，通过这样做，我们将放弃缩放事实。r p（d）和我们的分数不再是概率；
>；但是，分数的单调关系由
>；log函数保持。
ents
这个分类器使用一个非常简单的标记器，它是一个将句子拆分成单词的模块。如果你的训练集很大，你可以依赖可用的标记器，否则你需要有一个更好的标记器专门用于你的训练文本的语言。
\todo
*内联文档
*单元测试
\authors
*mustafa atik@muatik
*nejdet yucesoy@nejdetckenobi
[1]：https://github.com/jbrukh/bayesian/blob/master/bayesian.go
[2]：http://www.cs.ucr.edu/~eamonn/ce/bayesian%20classification%20withinspect\u examples.pdf
[3]：http://nlp.stanford.edu/ir-book/html/htmledition/naive-bayes-text-classification-1.html
欢迎加入QQ群-->： 979659372
