贝叶斯分类器处理非结构化文本的核心是将文本转化为数字表达并使概率反映语义倾向，关键在清洗与表示、控制先验与似然、合理解读后验概率三步。
用贝叶斯分类器处理非结构化文本，核心不是“套模型”，而是把杂乱的文本变成分类器能看懂的数字表达，并让概率计算真正反映语义倾向。关键在三步：清洗与表示、训练时控制先验和似然、预测时合理解读后验概率。
文本预处理：从原始句子到可计算的词向量
非结构化文本（如用户评论、邮件正文）含大量噪声，直接喂给贝叶斯模型会严重干扰词频统计。需做轻量但有效的清洗：
- 统一转小写，避免“good”和“good”被当两个词
- 去除标点和数字（除非数字有业务含义，如“iphone 15”里的 15 需保留）
- 停用词过滤要谨慎——中文常用“的”“了”可去，但 金融 文本中“跌”“涨”不能当停用词删
- 用 jieba（中文）或 nltk（英文）分词，不建议直接按空格切；对短文本可加 n -gram（如“人工”“智能”“人工智能”都保留）
- 向量化推荐用 TfidfVectorizer 而非countVectorizer——它自动削弱高频无区分度词（如“产品”“用户”）的影响
选择合适贝叶斯变体：朴素、补集还是半朴素？
sklearn里常见的 MultinomialNB、ComplementNB、BernoulliNB 本质都是朴素假设下的不同优化方向：
- MultinomialNB 最常用，适合词频型特征（Tfidf 或 Count 输出），要求特征值≥0，且隐含“词出现次数越多越重要”
- ComplementNB 专为文本不平衡设计（如 95% 是“正常”邮件，5% 是“垃圾”），它学的是“非该类”的词分布，反而更鲁棒
- BernoulliNB 适合二值化特征（如“这个词是否出现”），对短文本或关键词强敏感场景有时效果更好
- 别盲目调 alpha（拉普拉斯平滑参数）——文本量大时设 0.1~1.0 即可；若训练集小或类别极不均衡，可试 0.01 甚至 0.001
评估与调试：别只盯准确率
文本分类常面临类别偏斜、边界模糊问题，单看 accuracy 会误判：
立即学习“Python 免费学习笔记（深入）”；
- 重点看每个类别的 precision/recall/F1，尤其关注少数类——比如“欺诈”类 recall 低，说明漏判多，比整体准确率下降更危险
- 用 classification_report 输出详细指标，配合 confusion_matrix 看哪些词 / 句型总被混淆（如“退款”和“退货”常被分错类，提示需合并或加规则）
- 对预测结果，不要只取 argmax；用 p redict_proba 看各类概率分布——若最高概率仅 0.52，其余接近，说明该样本本就模棱两可，可交人工复核
- 用 SelectKBest 或 chi2 筛选高信息量词，剔除低卡方值的词（如“很好”在正负样本中出现频率差不多，就不该参与决策）
基本上就这些。贝叶斯在文本上不是最强的，但足够快、可解释、不黑盒——你看到一个词的 log_prob，就知道它把样本往哪边推。只要预处理靠谱、向量选对、评估不偷懒，效果很稳。
