朴素贝叶斯
先猜它是垃圾邮件的可能性，看到"免费"这个词后更新猜测——这就是贝叶斯思维
01 核心原理（大白话版）
你收到一封邮件，还没打开，就能猜出它是垃圾邮件的概率（比如 30%）——这是先验概率，基于历史经验。
打开邮件，第一行写着"免费领取"，你立刻更新判断，垃圾概率提高到 90%——这是后验概率，贝叶斯公式做的就是这个更新。
"朴素"指的是一个简化假设：每个词的出现与其他词独立。现实中"免费"和"中奖"经常一起出现，并不独立。但正是这个"朴素"假设让计算变得极其简单，而且实际效果很好。
贝叶斯公式
P(垃圾 | 邮件) = P(邮件 | 垃圾) × P(垃圾) / P(邮件)
1
先验概率 P(垃圾)
不看内容，历史上有多少比例是垃圾邮件？比如 40%。
2
似然 P(邮件 | 垃圾)
如果这是垃圾邮件，出现这些词的概率有多大？朴素假设：各词独立相乘。
3
后验概率 P(垃圾 | 邮件)
综合以上信息，这封邮件是垃圾邮件的概率。取概率最大的类别作为预测。
步骤1：贝叶斯公式——看到"免费"后概率如何更新
步骤2：多词联合——朴素独立假设
多个词联合出现时，用连乘计算似然（朴素假设：各词独立）：
步骤3：为什么用对数概率
词越多，连乘结果越小，最终可能下溢为 0——用对数加法代替概率连乘：
步骤4：完整分类器测试
在训练集上学习词频，对测试邮件输出垃圾概率：
拉普拉斯平滑：训练集中没出现过的词，直接让概率变成 0，连乘后整个结果也变 0——太极端了。解决方案：给每个词的计数加 1（α=1），分母加词汇表大小 V，保证每个词至少有个小概率。
02 代码
修改 tests 数组中的文本（空格分词），实时观察分类概率变化。
03 学术性讲解
为什么"朴素"但好用？
条件独立假设几乎从不成立（"免费"和"中奖"高度相关），但朴素贝叶斯仍然有效，原因：
- 它只需要预测正确的类别，不需要正确的概率值。只要垃圾类的得分比正常类高就行，即使两个数值都不准确。
- 训练数据少时，朴素假设相当于很强的正则化，防止过拟合。
- 特征越多，独立假设的误差越趋向于相互抵消（大数定律效应）。
多项式 vs 伯努利 vs 高斯
多项式朴素贝叶斯
对词频建模，适合文本分类。本页实现的即此版本。
伯努利朴素贝叶斯
对词是否出现（0/1）建模，不考虑频率，短文本效果好。
高斯朴素贝叶斯
特征是连续值时用高斯分布建模，适合数值特征（如身高、体重）。
朴素贝叶斯 vs 逻辑回归
优先朴素贝叶斯
训练数据极少（几十条也能用）、实时需要新增数据在线更新、需要快速基线模型时。
优先逻辑回归
特征之间相关性强、数据量充足、需要精确的概率输出（校准概率）时。