1.案例：一个简单的垃圾邮件过滤器

①朴素贝叶斯算法假设
 给定邮件不是垃圾邮件的条件下，其中的每个单词存在与否与其它单词无关。

②解决办法

③解决下溢出问题
 概率相乘，多浮点数，需要转换。

④解决单词缺失问题

</br>

2.算法的实现

①将邮件解析为不同的单词：
 lower => findall([a-z0-9']) => set
②计算单词出现在已做标记都的邮件训练中的次数：
返回一个字典，键为单词，值为列表[单词出现在垃圾邮件中的次数，单词出现在非垃圾邮件中的次数]
③利用平滑技术(解决单词缺失问题)将计数转换为估计概率。包含：
 单词，单词出现在垃圾邮件中的概率，单词出现在非垃圾邮件中的概率
④利用假设和概率给邮件赋予概率：
 解决下溢出问题内容

3.测试模型及改进

①测试结果（基于一个小测试）
 查准率约为75%
 查全率约为73%
②改进
 1）更多考察邮件内容，而不只是主题
 2）修改分类器，让其接受可选阈值，低于阈值不考虑
 3）修改分类器，使其接受一个词干分析器查找同类词
 4）添加其它特征值，比如数字