如何计算 naive_bayes MultinomialNB 中的 feature_log_prob_

这是我的代码：

# Load libraries
import numpy as np
from sklearn.naive_bayes import MultinomialNB
from sklearn.feature_extraction.text import CountVectorizer
# Create text
text_data = np.array(['Tim is smart!',
                      'Joy is the best',
                      'Lisa is dumb',
                      'Fred is lazy',
                      'Lisa is lazy'])
# Create target vector
y = np.array([1,1,0,0,0])
# Create bag of words
count = CountVectorizer()
bag_of_words = count.fit_transform(text_data)    # 

# Create feature matrix
X = bag_of_words.toarray()

mnb = MultinomialNB(alpha = 1, fit_prior = True, class_prior = None)
mnb.fit(X,y)

print(count.get_feature_names())
# output:['best', 'dumb', 'fred', 'is', 'joy', 'lazy', 'lisa', 'smart', 'the', 'tim']


print(mnb.feature_log_prob_) 
# output 
[[-2.94443898 -2.2512918  -2.2512918  -1.55814462 -2.94443898 -1.84582669
  -1.84582669 -2.94443898 -2.94443898 -2.94443898]
 [-2.14006616 -2.83321334 -2.83321334 -1.73460106 -2.14006616 -2.83321334
  -2.83321334 -2.14006616 -2.14006616 -2.14006616]]

我的问题是：
假设单词：“最佳”：的概率class 1 : -2.14006616.
得到这个分数的计算公式是什么。

我在用LOG (P(best|y=class=1)) -> Log(1/2)-> 无法获取-2.14006616

来自文档我们可以推断feature_log_prob_对应于给定类别的特征的经验对数概率。为了便于说明，让我们举一个“最佳”功能示例，log该特征对于类别的概率1 is -2.14006616（正如您所指出的），现在如果我们将其转换为实际的概率分数，它将是np.exp(1)**-2.14006616 = 0.11764。让我们再退一步看看班级“最佳”的概率如何以及为何1 is 0.11764。根据文档多项式朴素贝叶斯，我们看到这些概率是使用以下公式计算的：

其中，分子大致对应于特征“最佳”在类中出现的次数1（这是我们在这个例子中感兴趣的）在训练集中，分母对应于类的所有特征的总数1。另外，我们添加一个小的平滑值，alpha防止概率为零n对应于特征总数，即词汇量的大小。计算我们的示例中的这些数字，

N_yi = 1  # "best" appears only once in class `1`
N_y = 7   # There are total 7 features (count of all words) in class `1`
alpha = 1 # default value as per sklearn
n = 10    # size of vocabulary

Required_probability = (1+1)/(7+1*10) = 0.11764

您可以以类似的方式对任何给定的功能和类进行数学计算。