在进行朴素贝叶斯分类时，有没有人知道如何设置alpha的参数？
例如 . 我首先使用了一堆词来构建特征矩阵，矩阵的每个单元都是单词的计数，然后我使用tf（术语频率）对矩阵进行归一化 .
但是当我使用朴素贝叶斯构建分类器模型时，我选择使用多项式N.B（我认为这是正确的，而不是伯努利和高斯） . 默认的alpha设置是1.0（文档说拉普拉斯平滑，我不知道是什么） .
结果非常糟糕，只有21％的人回想起找到积极的类（目标类） . 但是当我设置alpha = 0.0001（我随机选择）时，结果得到95％的回忆得分 .
此外，我检查了多项式NB formula，我认为这是因为alpha问题，因为如果我使用单词计数作为特征，则alpha = 1不会影响结果，但是，因为tf介于0- 1，alpha = 1确实会影响这个公式的结果 .
我也测试了结果不使用tf，只使用了一堆字数，结果也是95％，那么，有没有人知道如何设置alpha值？因为我必须使用tf作为特征矩阵 .
谢谢 .
1 回答
在Multinomial Naive Bayes中，
alpha参数就是所谓的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可能的参数值，使用cross validation来评估模型在每个值上的数据性能 . 阅读以上链接，了解如何使用scikit-learn执行此操作的详细信息 .