1.案例：一个简单的垃圾邮件过滤器
①朴素贝叶斯算法假设
给定邮件不是垃圾邮件的条件下，其中的每个单词存在与否与其它单词无关。
②解决办法
③解决下溢出问题
概率相乘，多浮点数，需要转换。
④解决单词缺失问题
</br>
2.算法的实现
①将邮件解析为不同的单词：
lower => findall([a-z0-9']) => set
②计算单词出现在已做标记都的邮件训练中的次数：
返回一个字典，键为单词，值为列表[单词出现在垃圾邮件中的次数，单词出现在非垃圾邮件中的次数]
③利用平滑技术(解决单词缺失问题)将计数转换为估计概率。包含：
单词，单词出现在垃圾邮件中的概率，单词出现在非垃圾邮件中的概率
④利用假设和概率给邮件赋予概率：
解决下溢出问题内容
3.测试模型及改进
①测试结果（基于一个小测试）
查准率约为75%
查全率约为73%
②改进
1）更多考察邮件内容，而不只是主题
2）修改分类器，让其接受可选阈值，低于阈值不考虑
3）修改分类器，使其接受一个词干分析器查找同类词
4）添加其它特征值，比如数字
