在进行朴素贝叶斯分类时，有人知道如何设置alpha的参数吗？
例如我首先使用词袋来构建特征矩阵，矩阵的每个单元都是词数，然后使用tf（词频）对矩阵进行归一化。
但是当我使用朴素贝叶斯模型建立分类器模型时，我选择使用多项式N.B（我认为这是正确的，而不是Bernoulli和Gaussian）。默认Alpha设置为1.0（文档说这是Laplace平滑，我不知道是什么。）
结果是非常糟糕的，就像只有21％的人回想找到肯定类别（目标类别）一样。但是当我将alpha设置为0.0001（我随机选择）时，结果获得了95％的回忆率。
此外，我检查了多项式NB formula，我认为这是因为alpha问题，因为如果我将单词计数用作特征，则alpha = 1不会影响结果，但是，由于tf在0-1之间，则alpha = 1确实会影响此公式的结果。
我还测试了结果，不使用tf，仅使用了数袋单词，结果也是95％，所以，有人知道如何设置alpha值吗？因为我必须使用tf作为特征矩阵。
谢谢。
在多项式朴素贝叶斯中，alpha参数是所谓的hyperparameter；即控制模型本身形式的参数。在大多数情况下，确定超参数最佳值的最佳方法是通过对可能的参数值使用grid search，并使用cross validation评估模型在每个值上对数据的性能。阅读以上链接，详细了解如何使用scikit-learn进行此操作。
在这里，我只补充为什么要使用alpha？
用于在NB P（Y = 1 | W）或P（Y = 0 | W）中对查询点进行分类（考虑二进制分类）这里W是单词W的向量W = [w1，w2，w3 .... wd]d =功能数量
因此，要找出所有这些在训练时的概率（https://en.wikipedia.org/wiki/Naive_Bayes_classifier）P（w1 | Y = 1）* P（w2 | Y = 1）* ..... P（wd | Y = 1））* P（Y = 1）
对于Y = 0，应执行相同的操作。
现在在测试时，请考虑您遇到的单词在训练集中不存在，然后它在一个类中的存在概率为零，这会使整个概率为0，这不是很好。
P（W |Y=1) = P(W，Y = 1）/ P（Y = 1）=出现w'个单词且Y = 1的训练点数/ Y = 1的训练点数= 0 /训练点数，其中Y = 1
因此，为了摆脱这个问题，我们进行了拉普拉斯平滑处理。我们在分子和分母字段中添加alpha。
= 0 + alpha / Number of training point where Y=1 + (Number of class labels in classifier * alpha)
|Y=1) = P(W，Y = 1）/ P（Y = 1））中，一些单词出现的时间很少，发生的次数更多，或者以不同的方式思考，如果分子和分母字段很小，很容易受到异常值或噪声的影响。在这里，alpha也会有所帮助，因为随着alpha的增加，我的可能性概率将移动到均匀分布。 所以alpha是超参数，您必须使用网格搜索（如jakevdp所述）或随机搜索等技术对其进行调整。 （https://towardsdatascience.com/hyperparameter-tuning-c5619e7e6624）