用python实现的 朴素贝叶斯代码，参考资料是李航写的<>这本书

人工智能贝叶斯搜索算法实验，内含实验报告以及实验代码（java）

1. 实验数据在bayes_datasets文件夹中。其中，  train为训练数据集，包含hotel和travel两个中文文本集，文本为txt格式。hotel文本集中全部都是介绍酒店信息的文档，travel文本集中全部都是介绍景点信息的文档；  Bayes_datasets/test为测试数据集，包含若干hotel类文档和travel类文档。 2. 用朴素贝叶斯算法对上述两类文档进行分类。要求输出测试数据集的文档分类结果，即每类文档的数量。

代码：Java语言 算法：朴素贝叶斯分类器（中文）适用于情感分析 涉及：条件概率，先验概率计算，中文分词器，停用词处理

垃圾邮件分类的用例

经典书籍《统计学习方法》李航，第4章 朴素贝叶斯(Naïve Bayes)-Python代码

在人工智能领域，贝叶斯方法是一种非常具有代表性的不确定性知识表示和推理方法。

伯努利朴素贝叶斯分类器主要用于文本分类，下面我们以一个具体的例子，来讲述下伯努利朴素贝叶斯的原理和实现逻辑。 具体例子： 已知我们有八个句子以及每个句子对应的类别，即中性或侮辱性。那么再给出一个句子，我们来判断该句子是中性还是侮辱性，即计算该句子是中性的概率大还是侮辱性的概率大，概率大的类别即为我们判断的类别。 首先要把句子进行处理，即把句子分解成拥有多个单词的单词组，句子对应的单词组以及类别如下所示： def loadDataSet(): postingList = [['my', 'dog', 'has', 'flea', 'problems', 'help', 'please']

最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型（Naive Bayesian Model，NBM）。和决策树模型相比，朴素贝叶斯分类器(Naive Bayes Classifier 或 NBC)发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。同时，NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。理论上，NBC模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此，这是因为NBC模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的，这给NBC模型的正确分类带来了一定影响。

R语言与机器学习学习笔记（分类算法）（3）朴素贝叶斯算法-附件资源