目录
前言
通过朴素贝叶斯算法对样本数据进行训练，完成对新输入的分类预测。样本是各种各样的问题及该问题对应的类别。
训练过程
1、确定有多少类
2、确定样本
一个样本包括问题及其对应的分类，通过对样本数据的梳理，确定以下几个数：
① 总样本个数 N
② 每一类样本的个数 n
③ 每一类的占比 n/N
3、训练流程
(1) 对所有样本的问题进行分词-->结果：分词结果以及每一个词出现的次数，记录并更新有多少项，即多少次，即x轴长度
(2) 得到矩阵的x轴词向量
(3) 记录每一类词总量，计算总词数
4、生成训练矩阵
(1) 分词结果中单词
计算公式：(这一类样本数/总样本数) * (该单词在本类中出现的次数/本类所有样本生成的词个数)
P(c1| x) = ( P(x | c1) * P(c1) ) / P(x)
① P(x)和类别无关，所以如果仅仅是为了区分类别，而不是求具体概率，这里P(x)可以省略不考虑
P(x)=P(x1)*P(x2)...P(xn)，P(x1)=x1这个词出现的次数/所有词的总个数[和分类无关，是整个语料的统计]。
② P(x|c1)=P(x1,x2...xn|c1)=P(x1|c1)*P(x2|c1)...P(xn|c1)
P(x1|c1)=x1单词出现的次数/c1类所有单词的个数
[矩阵中每一个单词对应每一个分类的概率值，分类c1中x1单词出现的概率]
③ P(c1) = c1这一类语料的个数/总语料的个数
(2) l拉普拉斯平滑
1/(该类词总数+所有的词数)
P(x1|c1)=(n1+1)/(n+N)
这里，n1是单词x1在c1类中出现的次数，可能为0
这里，n是c1类中所有单词出现的次数总和
这里，N是所有单词的数目，这是一个固定值，即词向量的长度，总共多少个单词。
分类预测
1、对新输入的记录进行分词，按照矩阵的x轴生成对应的词向量，不存在词为0个
2、拿生成的词向量代入到矩阵中，得出每一类对应的概率值，取最大的，即为预测的分类
即求P(c|x)的大小 c代表分类，每一类的对应出来的结果，求分子最大的极为结果.
如何求概率值？
1.待预测语料，在分完词之后，分词结果中的词有些可能没有在词向量矩阵中，而且分词结果的词也不一定刚好有所有的词向量那么，在向量矩阵中不存在的词舍弃掉，写入到表记录。词向量中的词在分词结果不存在的词记为0，存在的词记为1。
2.计算概率
为1的，直接取到对应词在该矩阵中的概率值
为0的，根据拉普拉斯平滑，值为 1/该类词总量
词袋模型
在预测中，可以加入词频优化，新输入待预测的记录，在分词之后，记住每一个词的个数，在计算每一类的概率时候，拿词出现的频度*概率 得到结果来比较。
分词框架
分词框架使用IKAnalyzer，设置行业字典，设置停用词字典。