课件22主题模型实践.pdf

法律  本课件包括演示文稿、示例、代码、题库、视频和 声音等内容，小象学院和主讲老师拥有完全知识产 权的权利；只限于善意学习者在本课程使用，不得 在课程范围外向任何第 散播。任何其他人或机 构不得盗版、 、仿造其中的创意及内容，我们 保留一切通过法律手段追究违反者的权利。  课程详情请咨询  公众号：小象  新浪微博：ChinaHadoop 互联网新技术在线教育领航者 1/48 主题模型 邹博 主要内容  LDA开源实现库介绍  LDA1.0.4/Gensim的使用  复习：  TF-IDF  相似度计算 互联网新技术在线教育领航者 3/48 Crawler爬取数据 Code GaussianNB 互联网新技术在线教育领航者 6/48 GaussianNB / MultinomialNB 互联网新技术在线教 朴素贝叶斯的  一个特征出现的概率，与其他特征(条件)独 立(特征 性)  其实是：对于给定分类的条件下，特征  每个特征同等重要(特征均衡性) 互联网新技术在线教育领航者 8/48 朴素贝叶斯的推导  朴素贝叶斯(Naive Bayes，NB)是基于“特 征之间是 的”这一朴素 ，应用贝叶 斯定理的 学习算法。  对于给定的特征向量 n  类别y 的概率可以根据贝叶斯公式得到： P y P   n |y  P y  | n  P n  互联网新技术在线教育领航者 9/48 朴素贝叶斯的推导  使用朴素的 性 ：     P x | y,x , ,  P x y | i 1 n i  类别y 的概率可简化为： n P y P x y    i |  P y P   n |y  i 1 P y  | n  P n  P n   在给定样本的前提下，  是常数： P n