贝叶斯分类器是在第6章介绍的。在那一章中，我们已经学会了如何建立一个文档分类系统，将其用于垃圾邮件过滤，或是根据关键字的模糊搜索来对一组文档进行划分。
尽管所有的例子都是关于文档处理的，但是第6章的贝叶斯分类器实际上也可以适用于任何其他形式的数据集，只要我们能将其转换成一组特征列表。
所谓特征，就是指一个给定项中存在或缺少的某种东西。
在文档的例子中，特征就是文档中的单词，但它们也可以是某个不明对象的特有属性、一种疾病的症状，或是其他任何形式的东西，只要我们能够称其是"存在的"或"缺少的"即可。
训练 Training
和所有监督算法一样，贝叶斯分类器是利用样本进行训练的。
每个样本包含了一个特征列表和对应的分类。
假定我们要对一个分类器进行训练，使其能够正确判断出：一篇包含单词"python"的文档究竟是关于编程语言的，还是关于蛇的。表12-1给出了一个样本训练集。
表12-1：针对一组文档的特征和分类
特征 | 分类
-- |
Python是以鸟和哺乳动物为食的大蟒 | 蛇
Python最初是作为一门脚本语言被开发出来的 | 语言
在印度尼西亚发现了一条14.935米（49英尺）长的Python | 蛇
Python具有动态类型系统 | 语言
拥有鲜艳表皮的Python | 蛇
开源项目 | 语言
分类器记录了它迄今为止见过的所有特征，以及这些特征与某个特定分类相关联的数字概率。
分类器逐一接受样本的训练。当经过某个样本的训练之后，分类器会更新该样本中特征与分类的概率，同时还会产生一个新的概率，即：在一篇属于某个分类的文档中，含有指定单词的概率。
例如，经过如表12-1所示的一组文档的训练之后，也许我们最终会得到如表12-2所示的一组概率。
表12-2：单词属于某个给定分类的概率
特征 | 语言 | 蛇
-- |
dynamic | 0.6 | 0.1
constrictor | 0.0 | 0.6
long | 0.1 | 0.2
source | 0.3 | 0.1
and | 0.95 | 0.95
从上表中我们可以看到，经过训练之后，特征与各种分类的关联性更加明确了。
单词"constrictor"属于蛇的分类概率更大，而单词"dynamic"属于编程语言的分类概率更大。
另一方面，有些特征的所属分类则并没有那么明确，比如：单词"and"出现在两个分类中的概率是差不多的（单词"and"几乎会出现在每一篇文档中，不管它属于哪一个分类）。
分类器在经过训练之后，只会保留一个附有相应概率的特征列表，与某些其他的分类方法不同，此处的原始数据在训练结束之后，就没有必要再加以保存了。
分类 Classifying
当一个贝叶斯分类器经过训练之后，我们就可以利用它来对新的项目进行自动分类了。
假定我们有一篇新的文档，包含了特征"long"、"dynamic"和"source"。表12-2列出了每个特征的概率，但这些概率只是针对于各个单词而言的。如果所有单词同属于一个分类的概率值更大，那么答案显然是很清楚的。
然而在本例中，"dynamic"属于语言分类的概率更大，而"long"属于蛇分类的概率更大。因此，为了真正对一篇文档进行有效地分类，我们需要一种方法能将所有特征的概率组合到一起，形成一个整体上的概率。
解决这一问题的一种方法是利用我们在第6章中介绍过的朴素贝叶斯分类器。它是通过下面的公式将概率组合起来的：
Pr(Category | Document) = Pr(Document | Category) * Pr(Category) / Pr(Document)
此处：
Pr (Document | Category) = Pr(Word1 | Category) * Pr(Word2 | Category) *…
- Pr(Word | Category)的取值来自于上表，比如：Pr (dynamic | Language) = 0.6。
- Pr(Category)的取值则等于某个分类出现的总体几率。因为"language"有一半的机会都会出现，所以Pr(Language)的值为0.5。
无论是哪个分类，只要其Pr(Category | Document)的值相对较高，它就是我们预期的分类。
代码使用说明 Using Your Code
为了利用第6章中构造的贝叶斯分类器对数据集进行分类，我们所要做的唯一一件事情就是定义一个特征提取函数，该函数的作用是将我们用以训练或分类的数据转化成一个特征列表。
在第6章中我们处理的是文档，所以该函数将字符串拆分成了一个个单词，但是也可以采用任何其他形式的函数，只要它接受的是一个对象，并且返回一个列表：
>>> docclass.getwords('python is a dynamic language')
{'python': 1, 'dynamic': 1, 'language': 1}
上述函数可用于创建一个新的分类器，针对字符串进行训练：
>>> cl=docclass.naivebayes(docclass.getwords)
>>> cl.setdb('test.db')
>>> cl.train('pythons are constrictors','snake')
>>> cl.train('python has dynamic types','language')
>>> cl.train('python was developed as a scripting language','language')
然后进行分类：
>>> cl.classify('dynamic programming')
u'language'
>>> cl.classify('boa constrictors')
u'snake'
对于允许使用的分类数量，此处并没有任何的限制，但是为了使分类器有一个良好的表现，我们须要为每个分类提供大量的样本。
优点和缺点 Strengths and Weaknesses
-
朴素贝叶斯分类器与其他方法相比最大的优势或许就在于，它在接受大数据量训练和查询时所具备的高速度。即使选用超大规模的训练集，针对每个项目通常也只会有相对较少的特征数，并且对项目的训练和分类也仅仅是针对特征概率的数学运算而已。
尤其当训练量逐渐递增时则更是如此--在不借助任何旧有训练数据的前提下，每一组新的训练数据都有可能会引起概率值的变化。
（你会注意到，贝叶斯分类器的算法实现代码允许我们每次只使用一个训练项，而其他方法，比如决策树和支持向量机，则须要我们一次性将整个数据集都传给它们。）对于一个如垃圾邮件过滤这样的应用程序而言，支持增量式训练的能力是非常重要的，因为过滤程序时常要对新到的邮件进行训练，然后必须即刻进行相应的调整；更何况，过滤程序也未必有权访问已经收到的所有邮件信息。
朴素贝叶斯分类器的另一大优势是，对分类器实际学习状况的解释还是相对简单的。由于每个特征的概率值都被保存了起来，因此我们可以在任何时候查看数据库，找到最适合的特征来区分垃圾邮件与非垃圾邮件，或是编程语言与蛇。保存在数据库中的这些信息都很有价值，它们有可能会被用于其他的应用程序，或者作为构筑这些应用程序的一个良好基础。
-
朴素贝叶斯分类器的最大缺陷就是，它无法处理基于特征组合所产生的变化结果。假设有如下这样一个场景，我们正在尝试从非垃圾邮件中鉴别出垃圾邮件来：假如我们构建的是一个Web应用程序，因而单词"online"时常会出现在你的工作邮件中。而你的好友则在一家药店工作，并且喜欢给你发一些他碰巧在工作中遇到的奇闻趣事。同时，和大多数不善于严密保护自己邮件地址的人一样，偶尔你也会收到一封包含单词"online pharmacy"的垃圾邮件。
也许你已经看出了此处的难点--我们往往会告诉分类器"online"和"pharmacy"是出现在非垃圾邮件中的，因此这些单词相对于非垃圾邮件的概率会更高一些。当我们告诉分类器有一封包含单词"online pharmacy"的邮件属于垃圾邮件时，则这些单词的概率又会进行相应的调整，这就导致了一个经常性的矛盾。由于特征的概率都是单独给出的，因此分类器对于各种组合的情况一无所知。在文档分类中，这通常不是什么大问题，因为一封包含单词"online pharmacy"的邮件中可能还会有其他特征可以说明它是垃圾邮件，但是在面对其他问题时，理解特征的组合可能是至关重要的。
