朴素贝叶斯文本分类错误结果

Question

我编写了一个朴素贝叶斯分类器，但它似乎并没有特别好用。数单词等不是问题，但概率是。

我一直使用的方法从this book 的第 180 页开始 但我将使用wiki article 中的术语来使其更加通用。

培训

通过训练，我正在为某个类别中出现的每个单词创建一个概率：

for category in categories:
    for word in category_vocabulary[category]:
        word_probability[category][word] = (category_vocabulary[category][word] + 1) / (total_words_in_category[category] + len(vocabulary))

所以我得到一个词在一个类别中出现的总次数，加一个，然后除以一个类别中的总词数，再加上词汇表的大小（不同的词）。这是 P(xi|Ck)

我还计算了一个类别的概率p(Ck)，category_probability，简单来说就是一个类别中的词数除以所有类别中的词数

for category in categories:
    category_probability[category] = total_words_in_category[category] / sum(total_words_in_category.values())

分类

为了分类，我循环遍历待分类文档的所有标记，并计算文本中所有单词的 word_probability 的乘积。

for category in categories:
    if word in word_probability[category]:
        if final_probability[category] == 0:
            final_probability[category] = word_probability[category][word]
        else:
            final_probability[category] *= word_probability[category][word]

最后为了计算分数，我将其乘以类别概率

score = category_probability[category] * final_probability[category]

这个分数似乎完全错误，我不知道该怎么办。当我查看其他人的方法时，它们似乎涉及一些日志和指数，但我不确定它们如何与本书和 wiki 文章相匹配。

任何帮助都将不胜感激，因为我想我做错了什么对于更了解它的人来说有些明显。

Answer 1

这个分数似乎完全错误，我不知道该怎么办。

首先，类别概率不是通过类别中的单词与总单词数的比例来估计的

for category in categories:
    category_probability[category] = total_words_in_category[category] / sum(total_words_in_category.values())

但是一个类别中的 句子 数与句子总数（或段落、文档、对象 - 您正在分类的事物）的总数。因此

for category in categories:
    category_probability[category] = total_objects_in_category[category] / sum(total_objects_in_category.values())

当我查看其他人的方法时，他们似乎涉及一些日志和指数，但我不确定它们是否适合书籍和 wiki 文章。

这是因为直接概率计算（您所做的）数值不稳定。您最终将乘以许多微小的数字，因此精度将成倍下降。因此，人们使用了这个简单的数学等式：

PROD_i P(x) = exp [ log [ PROD_i P_i(x) ] ] = exp [ SUM_i log P_i(X) ]

因此，不是存储 概率，而是存储 概率的对数，而不是将它们相乘，而是求和。如果你想恢复真实概率，你所要做的就是取 exp 值，但对于分类你不必，如P(x) > P(y) <-> log P(x) > log P(y)