NLTK 和 Scikit 朴素贝叶斯的区别答案

【问题标题】：Difference between NLTK and Scikit Naive BayesNLTK 和 Scikit 朴素贝叶斯的区别
【发布时间】：2019-08-04 20:49:11
【问题描述】：

我想知道 NLTK 中朴素贝叶斯的本质是什么吗？是伯努利、多项式、高斯还是任何其他变体？我通读了文档，但似乎太笼统了。

我知道 scikit 有 4 个版本的朴素贝叶斯，其中只有两个适合文本处理。

在进行文本处理时，我发现 NLTK 朴素贝叶斯和 scikit 之间存在显着差异。

【问题讨论】：

标签： python scikit-learn nltk

【解决方案1】：

NLTK 朴素贝叶斯属于多项式（典型的分类），其线索是高斯朴素贝叶斯通常用于连续数据（不是文本分类的典型）。

NLTK 朴素贝叶斯的官方文档可以在这里找到：https://www.nltk.org/_modules/nltk/classify/naivebayes.html

关键文本示例-

A classifier based on the Naive Bayes algorithm.  In order to find the
probability for a label, this algorithm first uses the Bayes rule to
express P(label|features) in terms of P(label) and P(features|label):

|                       P(label) * P(features|label)
|  P(label|features) = ------------------------------
|                              P(features)

The algorithm then makes the 'naive' assumption that all features are
independent, given the label:

|                       P(label) * P(f1|label) * ... * P(fn|label)
|  P(label|features) = --------------------------------------------
|                                         P(features)

Rather than computing P(features) explicitly, the algorithm just
calculates the numerator for each label, and normalizes them so they
sum to one:

|                       P(label) * P(f1|label) * ... * P(fn|label)
|  P(label|features) = --------------------------------------------
|                        SUM[l]( P(l) * P(f1|l) * ... * P(fn|l) )

【讨论】：