相对于「 基于词典的分析 」，「 基于机器学习 」的就不需要大量标注的词典，但是需要大量标记的数据，比如：
还是下面这句话，如果它的标签是：
服务质量 - 中 （共有三个级别，好、中、差）
╮(╯-╰)╭，其是机器学习，通过大量已经标签的数据训练出一个模型，
然后你在输入一条评论，来判断标签级别
宁馨的点评 国庆活动，用62开头的信用卡可以6.2元买一个印有银联卡标记的冰淇淋， 有香草，巧克力和抹茶三种口味可选，我选的是香草口味，味道很浓郁。 另外任意消费都可以10元买两个马卡龙，个头虽不是很大，但很好吃，不是很甜的那种，不会觉得腻。 标签：服务质量 - 中
朴素贝叶斯
1、贝叶斯定理
假设对于某个数据集，随机变量C表示样本为C类的概率，F1表示测试样本某特征出现的概率，套用基本贝叶斯公式，则如下所示：
上式表示对于某个样本，特征F1出现时，该样本被分为C类的条件概率。那么如何用上式来对测试样本分类呢？
举例来说，有个测试样本，其特征F1出现了（F1=1），那么就计算P(C=0|F1=1)和P(C=1|F1=1)的概率值。前者大，则该样本被认为是0类；后者大，则分为1类。
对该公示，有几个概念需要熟知：
先验概率（Prior）。P(C)是C的先验概率，可以从已有的训练集中计算分为C类的样本占所有样本的比重得出。
证据（Evidence）。即上式P(F1)，表示对于某测试样本，特征F1出现的概率。同样可以从训练集中F1特征对应样本所占总样本的比例得出。
似然（likelihood）。即上式P(F1|C)，表示如果知道一个样本分为C类，那么他的特征为F1的概率是多少。
对于多个特征而言，贝叶斯公式可以扩展如下：
分子中存在一大串似然值。当特征很多的时候，这些似然值的计算是极其痛苦的。现在该怎么办？
2、朴素的概念
为了简化计算，朴素贝叶斯算法做了一假设：“朴素的认为各个特征相互独立”。这么一来，上式的分子就简化成了：
P(C)P(F1|C)P(F2|C)...P(Fn|C)。
这样简化过后，计算起来就方便多了。
这个假设是认为各个特征之间是独立的，看上去确实是个很不科学的假设。因为很多情况下，各个特征之间是紧密联系的。然而在朴素贝叶斯的大量应用实践实际表明其工作的相当好。
其次，由于朴素贝叶斯的工作原理是计算P(C=0|F1...Fn)和P(C=1|F1...Fn)，并取最大值的那个作为其分类。而二者的分母是一模一样的。因此，我们又可以省略分母计算，从而进一步简化计算过程。
另外，贝叶斯公式推导能够成立有个重要前期，就是各个证据（evidence）不能为0。也即对于任意特征Fx，P(Fx)不能为0。而显示某些特征未出现在测试集中的情况是可以发生的。因此实现上通常要做一些小的处理，例如把所有计数进行+1（加法平滑 additive smoothing，又叫拉普拉斯平滑 Laplace smothing）。而如果通过增加一个大于 0 的可调参数 alpha 进行平滑，就叫 Lidstone 平滑。
基于朴素贝叶斯的情感分类
原始数据集，只抽了10条
读数据
读取excel文件，用的pandas库的DataFrame的数据类型
分词
对每个评论分词，分词的同时去除停用词，得到如下词表
每个列表是与评论一一对应的
统计
这里统计什么呢？统计两种数据
1. 评论级别的次数
这里有三个级别分别对应 c0 → 好 2 c1 → 中 3 c2 → 差 5
2. 每个词在句子中出现的次数
得到一个字典数据 evalation [2, 5, 3] 半价 [0, 5, 0] 划算 [1, 1, 0] 不错 [0, 2, 0] ········· 不满 [0, 1, 0] 重要 [0, 1, 0] 清楚 [0, 1, 0] 具体 [0, 1, 0] 每个词(特征)后的 list坐标位：0，1，2分别对应好，中，差
以上工作完成之后，就是把模型训练好了，只不过数据越多越准确
测试
比如输入一个句子
世纪联华(百联西郊购物中心店)的点评 一个号称国际大都市，收银处的人服务态度差到极点。银联活动30-10，还不可以连单。
得到结果
c2-差
