2. 基本工作原理
3. 训练过程
在朴素贝叶斯中，首先需要从训练数据中估算先验概率和条件概率。下面是一个例子：
4. 预测过程
平滑技术（Laplace平滑）
在实际应用中，某些单词可能在某个类别中完全没有出现，这会导致其条件概率为0，进而影响预测结果。为了解决这个问题，我们可以使用Laplace平滑技术，通过给每个单词添加一个小的计数值（通常为1），确保每个单词的概率非零。
R语言实现
# 安装和加载相关库install.packages("e1071")library(e1071)# 创建数据集data <- data.frame(message = c("dear friend", "lunch money money money", "dear sir", "money lunch", "dear friend lunch"),label = c("normal", "spam", "normal", "spam", "normal"))# 提取特征（这里我们简单地使用词袋模型）library(tm)corpus <- Corpus(VectorSource(data$message))dtm <- DocumentTermMatrix(corpus)dtm <- as.matrix(dtm)features <- data.frame(dtm)# 训练朴素贝叶斯分类器model <- naiveBayes(features, as.factor(data$label))# 预测新消息new_message <- c("dear friend lunch")new_corpus <- Corpus(VectorSource(new_message))new_dtm <- DocumentTermMatrix(new_corpus, control = list(dictionary = Terms(dtm)))new_features <- as.matrix(new_dtm)prediction <- predict(model, new_features)print(prediction) # 输出分类结果
