您应该仅基于您的训练集来构建您的特征（在这种情况下，您作为每个文档的描述符包含的单词）。这将计算某个单词属于特定类别的概率：$P(w_i|c_k)$. 如果您想知道，在计算文档属于某个类的概率时需要此概率：$P(c_{k}|\text{document})$

当您要预测测试集中的新文档的类别时，请忽略未包含在训练集中的单词。原因是除了测试您的预测之外，您不能将测试集用于其他任何事情。此外，训练集必须代表测试集。否则，你不会得到一个好的分类器。因此，可以预期测试集中的大部分单词也包含在训练集中。

有些人为未知单词添加了一个额外的列，并尝试计算给定某个类的此类单词的概率：$P(\text{unknown} | c_{i})$. 我认为这没有必要甚至不合适，因为为了获得这个概率，您需要查看测试集。那是你绝对不能做的事情。

您可以先过滤停用词和其他无意义的常用词，然后您可以尝试一些较小的数量并检查它是如何工作的。一般来说，如果你在你的集合中使用大量的词，它们中的大部分将是纯噪声，不会携带太多信息。做几次尝试并检查什么速率是足够的，但是只预测两个类别，我想你可以使用更少的数量。

缺字怎么办？它们不会发生，因此它们的频率为零。另一方面，朴素贝叶斯大量使用产品，如果你将任何东西乘以零，你就会得到零。在大多数（可能是所有）行中，您将有一些未出现的单词，因此您的矩阵将成为零的集合。因此，最好选择一些任意小的数字并将其添加到矩阵中的所有值中，这样就不会有零（大多数现成的算法都会为您执行此操作）。

矩阵中单词的位置无关紧要。但是，文本中单词的位置可能很重要，因此您可以在分析中包含这样的变量（但这超出了简单使用朴素贝叶斯算法的范围）。

最后的一般评论：非常注意清理和预处理数据，因为它在 NLP 中至关重要，请记住：垃圾输入，垃圾输出。决定在你的训练集中包含哪些单词也是重要的一步——采取“top$n$单词”在许多情况下可能是不够的。

变量的顺序不是问题。我猜您使用的是实际标记作为变量，然后随机森林或 svm 或任何其他模型可以理解使用变量名称。问题可能是当您在测试数据中没有某些标记时，您可能需要引入虚拟值