使用Tf-IDF数据时，MultinomialNB计算什么？

Question

我正在尝试建立文本分类模型。我是新来的。我了解MNB的公式：

sklearn documentation似乎与公式匹配。文档指出，这是计算功能，即给定类别的单词的概率，类似于上面的公式。然后，我在关于TFIDF的文档中唯一可以找到的基本上是“它也应该起作用”的想法。但这让我me不解“怎么办？”

我已经花了大约1-2个小时在线阅读有关使用TFIDF作为MNB中的功能的数学运算的信息，但是我实际上还没有找到公式或有意义的解释。

通过思考理论和sklearn的实现，我们可以将其分为两个部分。

我的理论问题是，MNB明确声明其正在计算给定类别的单词的联合条件概率。这与使用TFIDF不同。它们是根本不同的东西。您如何修改方程式？它是什么样子的？例如，不是将某个单词的条件概率相乘，而是直接将TFIDF值相乘？对我而言没有意义的一个原因是sklearn在所有培训示例中都计算了TFIDF，而与课程无关。换句话说，尽管MNB公式计算出p（word | class），但无论类别如何，都将计算TFIDF。一个是特定于类的，另一个不是。就像我说过的那样，我是新手，对此我看不懂。

关于sklearn，如果运行以下命令：

count_vect = CountVectorizer()
X_train_counts = count_vect.fit_transform(x_train)

然后运行它来查看数组：

for i in X_train_counts:
    print(list(i.A[0]))

基本上剩下的数组是这样的：

[3, 4...]
[4, 3...]
[2, 4...]

其中，行与x中的训练示例相对应，并且每个列表的长度为=（总vocab-删除的停用词）。整数是该训练示例中该词汇单词的计数。

如果您随后运行

clf = MultinomialNB()
clf.fit(X, y)

我的假设是，它实际上是在计算我上面发布的公式。如果我错了，请纠正我，但这就是我的理解。

如果要改为运行

X_train_tfidf = tfidf_transformer.fit_transform(X_train_counts)

您将获得与以前类似的数组，但是现在看起来像：

[0.196, 0.980...]
[0.970, 0.242...]

其中，行与x中的训练示例相对应，并且每个列表的长度为=（总vocab-删除的停用词）。小数是该单词的tfidf。

然后sklearn如何处理此数据？根据定义，您不能将这些值插入原始公式中，否则您不是在计算给定类别的单词的概率吗？

我对数学以及从这里发生的事情感到非常困惑。任何帮助都会很好。如果我错过了文档中的内容，对不起。谢谢