朴素贝叶斯（二）文本分类朴素贝叶斯的一般流程用python进行文本分类准备数据：从文本中构建词向量训练算法：从词向量计算概率测试算法：朴素贝叶斯分类函数文档词袋模型 朴素贝叶斯的一般流程 （1）收集数据：任何方法 （2）准备数据：数值型、布尔型 （3）分析数据：特征多，用直方图效果好 （4）训练算法：计算不同的独立特征的多条件概率 （5）测试算法：计算错误率 （6）使用算法：一般应用于文档分类，也可以在任意分类场景 用python进行文本分类 以在线社区留言板为例，构建快速过滤器，判断是否是侮辱性言论。用1和0分别表示。 准备数据：从文本中构建词向量 #创建一些实验样本 def loadDat

数据挖掘：基于朴素贝叶斯定理的文本分类实践（Java）

用c++编写的朴素贝叶斯算法，包含零概率处理，数据已在程序中初始化

实际应用中大量的不完整的数据集，造成了数据中信息的丢失和分析的不方便，所以对缺失数据的处理已经成为目前分类领域研究的热点。由于EM方法随机选取初始代表簇中心会导致聚类不稳定，本文使用朴素贝叶斯算法的分类结果作为EM算法的初始使用范围，然后按E步M步反复求精，利用得到的最大化值填充缺失数据。实验结果表明，本文的算法加强了聚类的稳定性，具有更好的数据填充效果。

生物神经系统的六个基本特征： 1）神经元及其联接； 2）神经元之间的联接强度决定信号传递的强弱； 3）神经元之间的联接强度是可以随训练改变的； 4）信号可以是起刺激作用的，也可以是起抑制作用的； 5）一个神经元接受的信号的累积效果决定该神经元的状态； 6) 每个神经元可以有一个“阈值”。 8.3 人工神经网络 8.3.1 生物神经元

根据人名预测性别_基于多项式的朴素贝叶斯算法实现. 手工实现了一个基于贝叶斯算法的文本分类（二分类) 里面有两个案例，有一个案例有手工计算的过程，用于佐证算法实现的准确性的，另一个是一个小竞赛中的题目，用名字预测性别.

https://blog.csdn.net/bo_hai/article/details/108870754 文中用到的数据集

有关机器 学习的基本介绍，比如机器学习是分为监督学习和无监督学习的，以及监督学习中的一些算法，有分类算法和数值型预测算法，分类算法中几种比较经典的算法

基本ML算法 最近邻居 逻辑回归 线性回归 朴素贝叶斯 K均值聚类

《机器学习》算法实例-朴素贝叶斯算法-屏蔽社区留言板的侮辱言论 构建一个快速过滤器来屏蔽在线社区留言板上的侮辱性言论。如果某条留言使用了负面或者侮辱性的语言，那么就将该留言标识为内容不当。对此问题建立两个类别: 侮辱类和非侮辱类，使用 1 和 0 分别表示。 提取所有文档中的词条并进行去重 获取文档的所有类别 计算每个类别中的文档数目 对每篇训练文档: 对每个类别: 如果词条出现在文档中-->增加该词条的计数值（for循环或者矩阵相加） 增加所有词条的计数值（此类别下词条总数） 对每个类别: 对每个词条: 将该词条的数目除以总词条数目得到的条件概率（P(词条|类别)） 返回该文档属于每个类别的条件概率（P(类别|文档的所有词条)）