Algorithm 朴素贝叶斯分类（垃圾邮件过滤）-哪种计算是正确的？
我正在实现用于垃圾邮件过滤的朴素贝叶斯分类器。我对一些计算有怀疑。请告诉我该怎么办。这是我的问题 在这种方法中，您必须计算 PS | W->如果消息中出现单词W，则消息是垃圾邮件的概率 PW | S->单词W出现在垃圾邮件中的概率 PW | H->单词W出现在Ham消息中的概率 因此，要计算PW | S，以下哪项是正确的： 垃圾邮件中出现W的次数/所有邮件中出现W的总次数 垃圾邮件中出现单词W的次数/垃圾邮件中的单词总数 那么，要计算PW | S，我应该做1还是2？我以为是2，但我不确定 顺便说一下，我指的是这个信息 我必须在本周末之前完成实施： 重复出现单词“W”不应该增加邮件的垃圾邮件分数吗？在你的方法中不会，对吧 比如说，我们有100条培训信息，其中50条是垃圾邮件，50条是火腿。并说每条信息的字数=100 比如说，在垃圾邮件中，单词W在每条消息中出现5次，单词W在Ham消息中出现1次 因此，所有垃圾邮件中出现W的总次数=5*50=250次 所有Ham消息中出现W的总次数=1*50=50次 所有培训信息中W的总出现次数=250+50=300次 那么，在这个场景中，如何计算PW | S和PW | HAlgorithm 朴素贝叶斯分类（垃圾邮件过滤）-哪种计算是正确的？,algorithm,math,statistics,bayesian,spam-prevention,Algorithm,Math,Statistics,Bayesian,Spam Prevention,我正在实现用于垃圾邮件过滤的朴素贝叶斯分类器。我对一些计算有怀疑。请告诉我该怎么办。这是我的问题 在这种方法中，您必须计算 PS | W->如果消息中出现单词W，则消息是垃圾邮件的概率 PW | S->单词W出现在垃圾邮件中的概率 PW | H->单词W出现在Ham消息中的概率 因此，要计算PW | S，以下哪项是正确的： 垃圾邮件中出现W的次数/所有邮件中出现W的总次数 垃圾邮件中出现单词W的次数/垃圾邮件中的单词总数 那么，要计算PW | S，我应该做1还是2？我以为是2，但我不确定 顺便说
当然我们应该期待，PW | S>PW | H对吧？PW | S=包含W/所有垃圾邮件数量的垃圾邮件数量PW | S=包含W/所有垃圾邮件数量的垃圾邮件数量在这个贝叶斯公式中，W是你的特征，即你观察到的东西 你必须首先仔细定义什么是W。通常你有很多选择 让我们假设，在第一种方法中，你说W是事件消息，包含“伟哥”一词。也就是说，W有两个可能的值：0=消息不包含单词V。。。1=消息至少包含该单词的一次出现 在这种情况下，你是对的：PW | S是单词W在垃圾邮件中至少出现一次的概率。 为了更好地估计而不是计算它，正如另一个答案所说，计算包含至少一个单词的垃圾邮件的数量/所有垃圾邮件的数量 另一种方法是：定义W=消息中伟哥一词的出现次数。在这种情况下，我们应该估计W PW=0/S PW=1/S PW=2/S的每个值的PW/S。。。
越复杂，需要的样本越多，hopely性能越好。在这个贝叶斯公式中，W是你的特征，即你观察到的东西 你必须首先仔细定义什么是W。通常你有很多选择 让我们假设，在第一种方法中，你说W是事件消息，包含“伟哥”一词。也就是说，W有两个可能的值：0=消息不包含单词V。。。1=消息至少包含该单词的一次出现 在这种情况下，你是对的：PW | S是单词W在垃圾邮件中至少出现一次的概率。 为了更好地估计而不是计算它，正如另一个答案所说，计算包含至少一个单词的垃圾邮件的数量/所有垃圾邮件的数量 另一种方法是：定义W=消息中伟哥一词的出现次数。在这种情况下，我们应该估计W PW=0/S PW=1/S PW=2/S的每个值的PW/S。。。
越复杂，需要的样本越多，hopely性能越好。虽然这是一个很老的问题，但没有一个答案是完整的，所以值得纠正 朴素贝叶斯不是一个单一的算法，而是基于相同贝叶斯规则的一系列算法： 其中，C在本例中是一个类ham或spam，在最简单的情况下，带箭头的x是属性词的向量。 PC只是整个数据集中C类消息的比例。Px是具有向量x描述的属性的消息出现的概率，但由于该参数对于所有类都是相同的，所以我们暂时可以忽略它。但这个问题是关于Px | C的，如果给定当前消息的向量x，我们应该如何计算它
实际上，答案取决于NB算法的具体类型。有几种，包括多元贝努利NB、多元高斯NB、具有数字和布尔属性的多项式NB等。有关计算每种方法的Px | C的详细信息，以及用于垃圾邮件过滤任务的NB分类器的比较，请参见。尽管这是一个非常古老的问题，但没有一个答案是完整的，因此值得更正 朴素贝叶斯不是一个单一的算法，而是基于相同贝叶斯规则的一系列算法： 其中C是e中的一类火腿或垃圾邮件 在最简单的情况下，带有箭头的示例和x是属性词的向量。 PC只是整个数据集中C类消息的比例。Px是具有向量x描述的属性的消息出现的概率，但由于该参数对于所有类都是相同的，所以我们暂时可以忽略它。但这个问题是关于Px | C的，如果给定当前消息的向量x，我们应该如何计算它
实际上，答案取决于NB算法的具体类型。有几种，包括多元贝努利NB、多元高斯NB、具有数字和布尔属性的多项式NB等。有关计算每种方法的Px | C的详细信息，以及用于垃圾邮件过滤任务的NB分类器的比较，请参见。Hi sth，感谢您的回答，我已编辑了我的查询以添加更多详细信息，请再次查看并回复。谢谢：您好，谢谢您的回答，我已经编辑了我的查询以添加更多细节，请看一看并再次回复。谢谢：嗨，莱昂布利，谢谢你的回答，我已经编辑了我的查询，添加了更多的细节，请看一看，然后再次回复。谢谢：您添加的文字只是建议我的第二个备选方案aproach应该表现得更好。可能吧，但要付出一些代价。如果你喜欢就拿着吧，这是你的选择。但首先确定哪个是你的W，然后写下公式并推导出如何估计每个项。顺便说一句，如果你想的是实用的，而不是简单地作为一个关于贝叶斯分类的练习，这仍然太幼稚了，在获得一个像样的垃圾邮件分类器之前，你还有很长的路要走。嗨，leonbloy，谢谢你的回答，我已经编辑了我的查询，添加了一些细节，请看一看，然后再次回复。谢谢：您添加的文字只是建议我的第二个备选方案aproach应该表现得更好。可能吧，但要付出一些代价。如果你喜欢就拿着吧，这是你的选择。但首先确定哪个是你的W，然后写下公式并推导出如何估计每个项。顺便说一句，如果你想的是实用的，而不是简单地作为一个关于贝叶斯分类的练习，这仍然太幼稚了，在获得一个像样的垃圾邮件分类器之前，您还有很长的路要走。是否有任何PHP实现可以找到垃圾邮件？是否有任何PHP实现可以找到垃圾邮件？是否有用于查找垃圾邮件的朴素贝叶斯的PHP实现？是否有用于查找垃圾邮件的朴素贝叶斯的PHP实现？