我正在查看NLTK中朴素贝叶斯分类器的源代码
http://www.nltk.org/_modules/nltk/classify/naivebayes.html
在顶部，他们解释了他们计算概率的方式。
我想了解这个算法如何计算我的语料库的概率。
我（目前）有大约500个文本文件，其句子标记为正面，198标记为负面。
因此概率P（pos）是500/619而P（neg）是198/618。到目前为止一切都很好。
P（f1 | label）是标记为pos的句子中出现的一个特征（在我的例子中是一个单词）的概率，对吗？
因此，如果在我的500个文本文件中，我在所有标记为ps的句子中总共有3000个独特单词和4500个单词，并且所述单词在标记为pos的句子中出现70次，则此概率为70 + 1 /（ 3000 + 4500），对吧？
然后它说＆＃34;而不是明确地计算P（特征），算法就是这样 计算每个标签的分母，并将它们标准化 总和为一： ＆＃34;
那是什么意思？这SUM[l]( P(l) * P(f1|l) * ... * P(fn|l) )究竟是什么意思？
鉴于句子＆＃34;这是一种非常危险的效果＆＃34;它应该标记为pos。 使用上面使用的数字，这个句子成为pos的概率是：
（500/619）* P（this | pos）*（是| pos）*（a | pos）......等/（无论总和（L）是什么意思）
是正确的吗？
另一个问题：我在这里读到Different results between the Bernoulli Naive Bayes in NLTK and in scikit-learn，NLTK使用多项式朴素贝叶斯。你怎么能告诉那个形式的源代码？