我在阅读Sklearn中朴素贝叶斯的实现时，无法理解BernoulliNB的预测部分：

代码借自 源代码

def _joint_log_likelihood(self, X):    #.. 省略了一些代码    neg_prob = np.log(1 - np.exp(self.feature_log_prob_))    # 计算 neg_prob · (1 - X).T 作为  ∑neg_prob - X · neg_prob    jll = safe_sparse_dot(X, (self.feature_log_prob_ - neg_prob).T)    jll += self.class_log_prior_ + neg_prob.sum(axis=1)    return jll

neg_prob 在这里的作用是什么？有人能解释一下这种方法吗？

我在网上阅读的所有资料中（来源）都提到了一种简单的方法：

对于文档中的每个单词：    对于所有类别中的每个类别：        class_prob[class] += np.log(class_prob_for[word])# 基本上是将给定类别的单词的对数概率相加。# （这是从训练数据中预先计算的）# 最后将类别本身的对数概率相加。对于所有类别中的每个类别：    class_prob[class] += np.log(class_prob_for[class])

但这与BernoulliNB的结果并不完全相同

任何信息都非常受欢迎。如果我需要添加更多细节，请告诉我，谢谢。

回答：

发现BernoulliNB与MultinomialNB略有不同。

如这里所解释的： http://blog.datumbox.com/machine-learning-tutorial-the-naive-bayes-text-classifier/

文档中未出现的术语也被用作：(1 - conditional_probability_of_term_in_class)

如Manning等人（2008年）所描述的，伯努利变体为词汇表中的每个术语生成一个布尔指示器，如果该术语属于正在检查的文档，则为1，否则为0。这种变体的模型与多项式模型显著不同，不仅因为它不考虑每个单词的出现次数，还因为它考虑了文档中未出现的术语。在多项式模型中，未出现的术语完全被忽略，而在伯努利模型中，它们在计算条件概率时被考虑，因此术语的缺失被考虑在内。

sklearn中使用的算法来源： https://nlp.stanford.edu/IR-book/html/htmledition/the-bernoulli-model-1.html