Python 基于NLTK的朴素贝叶斯句子概率计算

我正在看NLTK中朴素贝叶斯分类器的源代码

http://www.nltk.org/_modules/nltk/classify/naivebayes.html

在顶部，他们解释了他们计算概率的方法

我想了解，这个算法是如何计算我的语料库的概率的

我（目前）有大约500个文本文件，其中的句子标记为肯定句，198个标记为否定句

所以概率p（pos）是500/619，p（neg）是198/618。到目前为止还不错

p（f1 | label）是一个特征（在我的例子中是一个单词）出现在标有pos的句子中的概率，对吗

因此，如果在我的500个文本文件中，我总共有3000个独特的单词，在所有标记为ps的句子中有4500个单词，并且这个单词在标记为pos的句子中出现了70次，那么这个概率是70+1/（3000+4500），对吗

然后它说“不是显式地计算p（features），算法只是 计算每个标签的分母，并对其进行规格化，以便 总和为一： "

这有什么用？这到底是什么意思

鉴于“这是一个非常危险的影响”这句话，它应该被标记为pos。 根据上面使用的数字，这句话成为pos的概率为：

（500/619）*p（这个|位置）*（是|位置）*（a |位置）。。。等/（无论金额（L）是什么意思）

对吗

---

还有一个问题：我在这里读到NLTK使用多项式朴素贝叶斯。您如何从源代码中分辨出来？

对于二项式朴素贝叶斯，您可以在正反示例中计算某个特征的存在或不存在，而对于多项式，您可以使用MLE计算其概率。@Riyaz感谢您的回答！你知道和[l]（P（l）*P（f1 | l）*……*P（fn | l））部分是什么意思吗？对于二项式朴素贝叶斯，你可以在正反例子中计算特征的存在与否，而对于多项式，你可以使用极大似然法计算其概率。@Riyaz谢谢你的回答！你知道SUM[l]（P（l）*P（f1 | l）*……*P（fn | l））部分是什么意思吗？