最近巨忙，再加上自己不太熟，估计不会有代码实现…但是知识还是学会了的。
朴素贝叶斯
不会用公式，全部用文字敲吧。
朴素贝叶斯由朴素-贝叶斯两个部分组成，首先解释贝叶斯。假设A是特征集，B是种类，且每个特征集都有对应的种类。如果面向的需求是“已知特征集，需要预测种类”（B|A），则可以由三项数据“已知种类时，特征集的频率”（A|B），“种类的频率”（B），“特征集的频率”（A）。
刚刚说到了特征集，也就是说其中不一定只有一个特征，而是一大堆特征。一大堆特征掺在一起，其实是有些混乱的。“朴素”强制认为特征之间没有关联，为完全独立的特征，因此可以做事件的拆分计算。这种方式的原理过于单纯，因此被称为“朴素”。不过原词好像有别的倾向含义…
在实际计算中，特征集的频率（A）位于分母，没得拆，而且是个常数，意义不大，因此将其忽略。种类可能有B1，B2，B3，还有一大堆。计算这些种类的最终概率，取最大值，即为朴素贝叶斯的预测结果。
几种朴素贝叶斯的模型
- 多项式模型
对不起，数学功底不够，看不懂。
在这里引入了平滑的概念。 - 高斯模型
虽然数学功底还是不够看不懂，不过这个公式长得好像标准正态分布啊。
当特征是连续变量时，虽然可以采取分段贴标签之类的操作，但还是有些问题，例如分段区间可能不合适、分段长短无法调整等。高斯模型假设每一特征都服从正态分布，即中间凸两边塌，因此只要有特征均值（特征中性的位置），就可以计算出每个特征的疏远性，并应用在朴素贝叶斯中。 - 伯努利模型
虽然感觉乱解释是不负责任的行为，但这个好像二项分布啊…虽然不清楚有什么用途，不过看起来有些像二分类？
朴素贝叶斯优缺点
优点
- 当数据规模比较小的时候，追求特征的关联性的效率较低，朴素贝叶斯模型有较高的效率。
- 可以进行增量式训练，对系统资源需求相应较低。
- 代码实现容易。
缺点
- 当数据规模较大时，特征的关联性变得显著，朴素贝叶斯难以利用这一资源。
- 对A|B的精准性存在需求。有时因为A|B存在一定问题，会导致朴素贝叶斯受到影响。
朴素贝叶斯sklearn（鸽掉了）
朴素贝叶斯结合TF-IDF（仅感想）
在任务4中，TF-IDF被我称为“兼顾了重要性和特殊性”的特征。假设现在要做SPAM的筛选，“中奖”“恭喜”“赚”“群”这三个词的TF-IDF值较高，通篇邮件的敏感词基本都是他们几个。这时使用朴素贝叶斯模型，就能够构造“已知邮件出现了这些词语，则邮件是SPAM”的预测模型。朴素贝叶斯（NB）在SPAM过滤中表现良好，我觉得可能也与SPAM语料本来就是千篇一律有些关系。
摸了不少鱼，我写一些别的东西安慰一下自己。
现阶段逃避检测机制的文本主要有三种方式，一种是音似，一种是形似，一种是增加干扰部分。比如把群改成裙，把兼职改成兼耻，还有往广告里插小说。最后一种比较有意思，相当于在一个完整的语义中插入了不规则部分，极难识别。我不太清楚业内是怎样对抗这些文本的，希望我以后能学会吧23333