朴素贝叶斯与递归神经网络（LSTM）之间的区别

我想对文本进行情感分析，浏览了几篇文章，其中一些正在使用“朴素贝叶斯”，另一些是“递归神经网络（LSTM）”，另一方面，我看到了用于情感分析的python库，是nltk。它使用“朴素贝叶斯”（Naive Bayes）谁能解释使用两者的区别？

我也阅读了这篇文章，但对两者都不清楚。

贝叶斯网络，神经网络，决策树和Petri网之间的差异

朴素贝叶斯与递归神经网络的区别

首先，让我们说它们都是分类器，这是为了解决统计分类问题。这意味着您有大量数据（在您的案例中为文章）分为两个或多个类别（在您的案例中为正面/负面情绪）。分类器的目标是学习如何将文章分为这两个类别，然后能够自己对新文章进行分类。

可以解决此任务的两个模型是朴素贝叶斯分类器和递归神经网络。

朴素贝叶斯
为了使用此分类器进行文本分析，通常需要对文本（词袋 + tf-tdf）进行预处理，以便可以将其转换为包含数值的向量。这些向量用作NB模型的输入。
此分类器假定您的特征（我们产生的向量的属性）彼此独立。当这个假设成立时，它是一个非常强大的分类器，只需要很少的数据即可工作。

循环神经网络
这些网络可以按顺序读取您的数据，同时保留其先前已读取内容的“内存”。这些在处理文本时非常有用，因为它们之间具有相关性。

两种模型（NB和RNN）在尝试执行此分类的方式上有很大不同：

• NB属于一种称为生成模型的模型。这意味着在训练过程中（算法学习分类的过程），NB首先尝试找出数据是如何生成的。它实质上是试图找出产生您输入到模型的示例的基础分布。

• 另一方面，RNN是一个判别模型。为了进行分类，它试图找出您的正面和负面例子之间的区别。

如果您想学习泥潭，建议您查询“歧视性算法与生成性算法”

尽管NB已经流行了几十年，但由于它们需要大量的计算资源，因此RNN在过去的十年中开始找到应用。大多数时候，RNN都是在专用GPU上训练的（比GPU运算速度快得多）。

tl; dr：它们是解决同一任务的两种非常不同的方式

图书馆

因为这两种算法非常流行，所以它们在许多库中都有实现。自从您提到它后，我将命名几个python库：

对于NB：

• scikit-learn：是一个非常易于使用的python库，其中包含几种机器学习算法的实现，包括Naive Bayes。

• NaiveBayes：还没有使用过，但我想它的名字与之相关。

由于RNN被视为深度学习算法，因此它们在所有主要的深度学习库中都有实现：

• TensorFlow：目前最流行的DL库。由Google发布和维护。

• theano：与tf类似的图书馆，由蒙特利尔大学发行。

• keras：tf和theano的包装器。容易得多。如果您想实现RNN，我建议您使用什么。

• caffe：由UC Berkeley发布的DL库。有python API。

如果您具有启用CUDA的NVIDIA GPU，则以上所有均提供GPU支持。

Python的NLTK是主要用于自然语言处理（词干，标记化，词性标记）的库。尽管它具有情感包，但它不是重点。我很确定NLTK使用NB进行情感分析。