例子1：邮件分类

对每一份邮件计算出一个词向量（0，1，0，1，0，0，0）类似
统计每一个单词在每一类里的出现频率（出现次数/总的出现词数）
可以得到两个向量，一个是正类，一个负类，长度是词典大小。每一个数是对应词的频率。
同时计算正类文本和负类的频率。
得到vec1（0.2，0.3，0.1，….）以及类似的vec2

预测的时候计算：
p1=出现的词的在vec1里的频率之和+log（正类频率）
p2=出现的词的在vec2里的频率之和+log（负类频率）
比较大小作为预测

如果一个词经常出现在积极文本，那么这种词在某文本里大量出现，可以预测文本为积极。

可用的一些trick：

1. 移出高频词，高频词往往是一些语句结构词，特征性不强却大量出现，占了大比重
2. 移出停用词，理由同上