问在列车结束后，nltk naivebayes分类器如何学习更多的特征？

EN

两件事。

1. 朴素的贝斯通常是超快的。它只访问你所有的训练数据一次，并积累特征类的共现状态。在此之后，它使用统计数据来构建模型。通常，仅仅使用新的(增量)数据重新训练您的模型并不是一个问题。
2. 当新数据出现时，只要您仍然将特性类统计数据存储在某个地方，就可以不重做上述步骤。现在，您只需以步骤1中相同的方式访问新数据，并继续更新功能类共现状态。在一天结束时，您有新的分子(m)和分母(n)，这既适用于类优先级P(C)，也适用于给定类P(W|C)的特征概率。您可以通过m/n导出概率。

文档分类中贝叶斯公式的友好提示

-给定一个文档D，该文档属于C_j类别的概率是：

P(C_j|D) = P(D|C_j)*P(C_j)/P(D)

-这种可能性与以下因素成正比：

P(C_j|D) ~ P(W1|C_j) P(W2|C_j) ... P(Wk|C_j) * P(C_j) 

根据：

• 朴素的贝叶斯假设(所有单词，例如，文档中的W1, W2, ..., Wk都是独立的)，
• 丢弃P(D)，因为每个类都有与分母相同的P(D) (因此我们说比例不等于)。

--现在右侧的所有概率都可以由相应的分数(m/n)计算，其中m和n存储(或可以导出)在特征类共现矩阵中。