cakecc2008的专栏

最近在看《机器学习实战》，在 第4章“基于概率论的分类方法：朴素贝叶斯”时，有一些心得和体会，想写下来。该书的该章，对朴素贝叶斯算法及运用到单词分类案例进行了叙述，并给出了python的实现代码，但是并没有从原理角度来解释，为什么可以用这个算法来对单词进行分类，以下是我的一些理解，文章末尾会附上python代码（注：本文代码均出自《机器学习实战》，只是为便于描述，实例内容，进行了替换）假设

工作中遇到需要将一个累计值分摊到若干天只，且不能平均分摊，要有一定的波动，比如1000，分配到20天中，平均每天是50，但是又不能全是50，需要分配成49,51,52这样。所以就需要生成一组-0.1到+0.1之间的随机数，但是要保证求和等于0，然后去乘平均数，得到每天需要分配的值。那么怎么生成一组-0.1到+0.1之间的随机数，但是要保证求和等于0的数据呢，具体算法如下：生成N-1个 -0

在工作中，我们可以会遇到这样的问题，两组大量的小数相差，然后比较两组结果的大小。例如100个0.0001相差与100个0.0002相乘，哪个结果大？很显然，100个0.0002相差的结果比较大。但是在计算机中，太多的小数相差，会遇到下溢问题，即变量小时位数太多，无法完全存储。例如本例中，两组结果小时位数都将达到400位，这时候输出两组结构，都将是0，这时候就无法比较大小了，解决这个问题的方法，是对