一、基于贝叶斯决策理论的分类方法
朴素贝叶斯的优点：在数据较少的情况下仍然有效，可以处理多类别问题。
缺点：对于输入数据的准备方式较为敏感。
使用数据类型：标称型数据(一般在有限的数据中取，而且只存在是和否两种不同的结果)。
朴素贝叶斯是贝叶斯决策理论的一部分。贝叶斯决策理论：假设有一个数据集，它由两类数据组成，在判断具体数据属于哪个类别时，会选择高概率对应的类别。这就是贝叶斯决策理论的核心思想，即选择具有最高概率的决策。
贝叶斯使用先验知识和逻辑推理来处理不确定性命题。频数概率：它只从数据本身获得结论，并不考虑逻辑推理及先验知识。
二、条件概率
条件概率：P(A|B) = P(A and B) / P(B)
贝叶斯准则计算条件概率：贝叶斯准则告诉如何交换条件概率中的条件与结果。
P(c|x) = P(x|c)P(c) / P(x)
三、使用条件概率来分类
具体到(x, y)点属于c1还是c2，计算公式是：P(ci|(x,y)) = P((x,y)|ci)P(ci) / P((x,y))
四、使用朴素贝叶斯进行文档分类
朴素贝叶斯分类器的两个假设：1. 每个特征同等重要；2.特征之间相互独立。
五、使用python进行文本分类
1. 准备数据：从文本中构建词向量
把文本看成单词向量或者词条向量，也就是讲句子转换为向量。先将文档切分成单词；再将所有文档中出现的单词形成不重复的词汇表；最后将某文档通过词汇表转化为文档向量。
2. 训练算法：从词向量计算类别概率
用w表示文档向量
P(c|w) = P (w|c)P(c) / P(w)
对每个类计算概率值，然后比较概率值的大小。
3. 测试算法：根据现实情况修改分类器
问题一：
概率为0的问题。利用贝叶斯分类器对文档进行分类时，要计算多个概率的乘积以获得文档属于某个类别的概率，即计算p(w0|1)p(w1|1)p(w2|1)。如果其中一个概率值为0，那么最后的乘积也为0。为降低这种影响，可以将所有词的出现数初始化为1，并将分母初始化为2。
问题二：
下溢出的问题。这是由于太多很小的数相乘造成的。计算p(w0|ci)p(w1|ci)……p(wn|ci)时，由于大部分因子非常小，所以程序会下溢出或者得到不正确的答案(许多很小的数相乘，结果会得到0)。
解决方法一：对乘积取自然对数。ln(a*b) = ln(a) + ln(b)
下图中f(x)与ln(f(x))的曲线，在相同区域内同时增加或者减少，并且在相同点上取到极值。取值虽然不同，但不影响最终结果。
4. 准备数据：文档词袋模型
将每个词的出现与否作为一个特征，可以被描述为词集模型。
如果一个词在文档中出现不止一次，这可能意味着包含该词是否出现在文档中所不能表达的某种信息，这种方法被称为词袋模型。
在词袋中每个单词可以出现多次，而在词集中，每个词只能出现一次。为适应词袋模型，将setOfWords2Vec()方法改为bagOfWords2Vec()。
bagOfWords2Vec相较于setOfWords2Vec的改变是，当遇到一个单词时，会增加词向量中的对应值，而不只是将对应的数值设为1。
六、示例：使用朴素贝叶斯过滤垃圾邮件
1. 收集数据：提供文本文件
2. 准备数据：将文本文件解析成词条向量
3. 分析数据：检查词条确保解析的正确性
4. 训练算法：使用之前建立的trainNB0函数
5. 测试算法：使用classifyNB()，并且构建一个新的测试函数来计算文档集的错误率
6. 使用算法：构建一个完整的程序对一组文档进行分类，将错分的文档输出在屏幕上
七、本章小节
可以通过特征之间的条件独立性假设，降低对数据量的需求。独立性假设是指一个词的出现概率并不依赖于文档中的其他词。这个假设过于简单，这也就被称为朴素贝叶斯的原因。
还需要考虑实际的一些问题。比如下溢出，他可以通过对概率取对数来解决。词袋模型在解决文档分类问题上比词集模型有所提高。还有其他方面的改进，比如说移除停用词，当然也可以话大量时间对切分器进行优化。
八、附加：python的一些使用方法
正则切分：
myDoc = 'This is a book . I have many books.'
import re
regEx = re.compile("\\W* ")
res = regEx.split(myDoc)
python中的内嵌方法，将字符串全部转化成小写(.lower())或者大写(.upper())