假设我们使用TFIDF转换将文档编码为连续值特征。
我们现在如何使用它作为朴素贝叶斯分类器的输入？
Bernoulli naive-bayes已经出局了，因为我们的功能不再是二进制了。 似乎我们也不能使用Multinomial naive-bayes，因为这些值是连续的而不是分类的。
作为替代方案，使用高斯朴素贝叶斯代替它是否合适？在高斯分布假设下，TFIDF向量是否可能保持良好状态？
关于MultionomialNB的sci-kit学习文档建议如下：
多项式朴素贝叶斯分类器适用于具有离散特征的分类（例如，用于文本分类的字数）。多项分布通常需要整数特征计数。然而，在实践中，诸如tf-idf的分数计数也可以起作用。
从根本上不可能使用MultinomialNB的小数值吗？ 据我了解，似然函数本身假设我们正在处理离散计数（since it deals with counting/factorials）
TFIDF值如何使用此公式？
从技术上讲，你是对的。 （传统）多项式N.B.模型将文档D视为词汇大小的特征向量x，其中每个元素xi是文档I的计数。根据定义，该向量x遵循多项分布，导致MNB的特征分类函数。
当使用TF-IDF权重而不是术语计数时，我们的特征向量（很可能）不再遵循多项分布，因此分类函数在理论上不再具有良好的基础。然而，事实证明，tf-idf权重代替计数工作（更好）。
TFIDF值如何使用此公式？
以完全相同的方式，除了特征向量x现在是tf-idf权重的向量而不是计数。
您还可以查看在sklearn tfidf-vectorizer中实现的Sublinear tf-idf加权方案。在我自己的研究中，我发现这个表现更好：它使用术语频率的对数版本。这个想法是当一个查询术语在doc中出现20次时。一次和一次在doc。 b，doc。 a（可能）不应该被认为是重要的20倍，但更可能是log（20）次的重要。