关于朴素贝叶斯和递归神经网络的区别

首先，让我们先说它们都是分类器，旨在解决一个称为统计分类的问题。这意味着您有大量数据（在您的案例文章中）分为两个或更多类别（在您的案例中为正面/负面情绪）。分类器的目标是了解文章如何分为这两个类别，然后能够自行对新文章进行分类。

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
为了使用该分类器进行文本分析，您通常会对文本（词袋+ tf-tdf）进行预处理，以便将其转换为包含数值的向量。这些向量用作 NB 模型的输入。
这个分类器假设你的特征（我们产生的向量的属性）是相互独立的。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
这些网络按顺序读取您的数据，同时保留他们之前读取的内容的“记忆”。这些在处理文本时非常有用，因为它们之间存在相关词。

这两个模型（NB 和 RNN）在尝试执行此分类的方式上存在很大差异：

• NB 属于一类称为生成的模型。这意味着在训练期间（算法学习分类的过程），NB 会首先尝试找出数据是如何生成的。它本质上试图找出产生您输入模型的示例的基础分布。

• 另一方面，RNN 是一种判别模型。它试图找出正面和负面示例之间的差异，以便执行分类。

如果您想学习泥潭，我建议查询“判别式与生成式算法”

虽然 NB 已经流行了几十年，但由于需要大量计算资源，RNN 在过去十年开始寻找应用。RNN 大部分时间都在专用 GPU 上进行训练（其计算速度比 CPU 快得多）。

tl; dr：它们是解决同一任务的两种截然不同的方法

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。既然你提到了，我会命名一些 python 库：

注意：

• scikit-learn：是一个非常易于使用的 python 库，包含多种机器学习算法的实现，包括朴素贝叶斯。

• NaiveBayes：没用过，但我想从名字上看它是相关的。

因为 RNN 被认为是一种深度学习算法，所以它们在所有主要的深度学习库中都有实现：

• TensorFlow：目前最流行的深度学习库。由谷歌发布和维护。

• theano：与 tf 类似的库，较旧，由蒙特利尔大学出版。

• keras：tf 和 theano 的包装器。容易得多。如果你想实现 RNN，我建议你使用什么。

• caffe：加州大学伯克利分校发布的深度学习库。有python API。

如果您有启用 CUDA 的 NVIDIA GPU，以上所有内容都提供 GPU 支持。

Python 的NLTK是一个主要用于自然语言处理（词干、分词、词性标注）的库。虽然它有一个情绪包，但它不是焦点。我很确定 NLTK 使用 NB 进行情绪分析。