人话聊概率：谈谈朴素贝叶斯原理
哈喽各位，好久不见。
先做一道语文题吧：对以下名言和作者做匹配。
1.真的猛士，敢于直面惨淡的人生，敢于正视淋漓的鲜血 ---某民国时期作家
2.才华是刀刃,辛苦是磨刀石,再锋利的刀刃,苦日久不磨,也会生锈 ---某位现当代作家
3.这时候最热闹的，要数树上的蝉声和水里的蛙声；但热闹是它们的，我什么也没有 ---某位民国时期散文家
4.我将于茫茫人海寻访我唯一灵魂的伴侣，得之，我幸。不得，我命---某位民国时期诗人
A朱自清 B鲁迅 C徐志摩 D老舍
正确答案是：B D A C
相信聪明的你一定答对了吧 ╮(￣▽￣")╭
对作家来说，语言风格是比自身容貌更重要的特征。
题目之中的 鲁迅 和 老舍 都是笔者颇为喜欢的作家。
然而他俩的语言风格就有着很大的区别。
比如，同样是写 “雪”：
“朔方的雪花在纷飞之后，却永远如粉，如沙，他们决不粘连，撒在屋上，地上，枯草上，就是这样。屋上的雪是早已就有消化了的，因为屋里居人的火的温热。别的，在晴天之下，旋风忽来，便蓬勃地奋飞，在日光中灿灿地生光，如包藏火焰的大雾，旋转而且升腾，弥漫太空，使太空旋转而且升腾地闪烁。” ---鲁迅《野草集》
最妙的是下点小雪呀。看吧，山上的矮松越发的青黑，树尖上顶着一髻儿白花，好像日本看护妇。山尖全白了，给蓝天镶上一道银边。山坡上，有的地方雪厚点，有的地方草色还露着，这样，一道儿白，一道儿暗黄，给山们穿上一件带水纹的花衣 ---老舍《济南的冬天》
鲁迅的文笔无愧其革命家的称号，字里行间寄托了昂扬奋飞的激情；而老舍的文字则显得平实生动，偶尔还夹杂着很多北方方言口语，让人感到亲切。
作为感情丰富的人，我们可以通过主观的阅读体验来判断两位作家的语言风格。
然而没有感情的计算机可以做得到麽？
可以，借助朴素贝叶斯原理。
20世纪60年代，有学者依靠这一原理，为佚失了200多年的《联邦党人文集》找到了真正的作者。
本文以鲁迅和老舍为例，解释一下朴素贝叶斯原理是如何工作的。
比如，在这个档案袋中👆，你找到了一篇民国时代的手稿，内容如链接：👇
（点击可见）
假设我们知道它的作者或是鲁迅，或是老舍。
在我们对他们二人风格并不熟悉的情况下，先初步判断：此篇文字为鲁迅或老舍所作的概率各占50%
接下来，让我们更进一步，从高频词汇的角度去了解两位作家的语言风格，去看看二人平时最常说些什么。
在《鲁迅全集》中最常出现的词有：“没有”（1412次）；“一个”（1258次）；“他们”（963次）...
对于老舍，最高频使用的词语是：“他们”（2058次）；“可是”(2010次）；“没有”（1689次）
通过词频分析，我们还发现了一些有趣的现象：
当表示语气转折的时候，鲁迅喜欢说“然而”（761次），而老舍喜欢用“可是”（2010次）
有一些词汇属于鲁迅特色，比如："至于"(180次），“先前”（206次），而老舍的特色词汇如：“咱们”（413次），“有点”（357次）...
（透过这些文字，仿佛看到了喧闹的老北京胡同儿,有没有 ˇ▽ˇ ）
接下来，让我们从词频角度来分析一下这份佚名的手稿：高频词汇有：“我们”（35次），“他们”（32次），“两个”（16次），“地球”（12次）...
很好，让我们根据以上信息开始分析吧！
===================================
首先，“我们”这个词对两位作家来说都是高频词：对于鲁迅，包含该词的文章篇数占总文章篇数的59.93% ；相应的，老舍的篇数占比是 71.23%。
凭借以上信息，我们可以对之前的假设进行修正：如图中绿色部分。
当手稿内容包含了“我们”两个字的情况下，对概率做出调整：
P（鲁迅）：50% * 59.93%
P（老舍）：50% * 71.23%
继而，我们分析手稿中的第二个高频词“他们”：该词在鲁迅作品中的包含率是 65.66% ，而老舍的包含率 86.30%
同理我们继续做出调整，如图中黄色部分：当手稿中包含 “我们” 和 “他们”的情况下：
P（鲁迅）：50% * 59.93% *65.66%
P（老舍）：50% * 71.23%*86.30%
同理，让我们看一下第三个高频词 “两个”，它鲁迅作品中的包含率是 30.30% ； 老舍作品的包含率 68.95%
继续做出调整，如图中红色部分：当手稿中包含“我们” 、 “他们”、“两个”的情况下：
P（鲁迅）：50% * 59.93% *65.66%* 30.30%
P（老舍）：50% * 71.23%*86.30%* 68.95%
让我们算一下：
P (鲁迅） = 50% * 59.93% *65.66%* 30.30% = 5.96%
P（老舍） = 50% * 71.23%*86.30%* 68.95% = 21.19%
P (鲁迅） : P（老舍） = 21.95% : 78:05%
到目前为止，此手稿属于老舍的概率要更大一些。随着高频词分析的增加，老舍的概率会越来越大。
事实上手稿中的文字节选自老舍的《猫城记》第11篇。
很好，通过统计学原理，我们找到了文件作者，good job !
以上便是朴素贝叶斯原来的妙处：我们可以根据更多的信息来不断修正最初的判断，而这也是当前热门的机器学习所依据的原理之一了。