我已经实现了多项朴素的朴素贝叶斯分类器的相当有效的实现，它的工作就像一个魅力。直到分类器遇到很长的消息（大约1万个单词），预测结果就变得毫无意义（例如-0.0），并且在使用Python的math domain error函数时得到了math.log。我使用log的原因是，当使用非常小的浮点数时，将它们相乘所得的结果就是非常小的浮点数，并且该对数有助于避免无限小的数字会导致预测失败。
某些上下文
我使用的词袋方法没有任何形式的向量化（例如TF-IDF，因为我无法弄清楚如何正确实现它并平衡出现0的词。对此，您也应该感谢摘录； ）），而我使用的是频率计数和拉普拉斯加性平滑处理（基本上为每个频率计数加1，所以永远不会为0）。
我可以直接注销，但这意味着在消息如此长的情况下，引擎无论如何都无法正确检测到它们，所以这不是重点。
我已经实现了多项朴素的朴素贝叶斯分类器的相当有效的实现，它的工作就像一个魅力。直到分类器遇到非常长的消息（大约10k ...
如果您应用log-sum-exp，则朴素贝叶斯不存在乘法运算，只有加法运算，因此下溢的可能性很小。而且，如果您使用平滑处理（就像您说的那样），您将永远不会获得log的不确定行为。