樸素貝葉斯 概述

貝葉斯分類是一類分類算法的總稱，這類算法均以貝葉斯定理為基礎(chǔ)，故統(tǒng)稱為貝葉斯分類。本章首先介紹貝葉斯分類算法的基礎(chǔ)——貝葉斯定理。最后，我們通過實例來討論貝葉斯分類的中最簡單的一種: 樸素貝葉斯分類。

貝葉斯理論 & 條件概率

貝葉斯理論

我們現(xiàn)在有一個數(shù)據(jù)集，它由兩類數(shù)據(jù)組成，數(shù)據(jù)分布如下圖所示：

我們現(xiàn)在用 p1(x,y) 表示數(shù)據(jù)點 (x,y) 屬于類別 1(圖中用圓點表示的類別)的概率，用 p2(x,y) 表示數(shù)據(jù)點 (x,y) 屬于類別 2(圖中三角形表示的類別)的概率，那么對于一個新數(shù)據(jù)點 (x,y)，可以用下面的規(guī)則來判斷它的類別：

• 如果 p1(x,y) > p2(x,y) ，那么類別為1
• 如果 p2(x,y) > p1(x,y) ，那么類別為2

也就是說，我們會選擇高概率對應(yīng)的類別。這就是貝葉斯決策理論的核心思想，即選擇具有最高概率的決策。

條件概率

如果你對 p(x,y|c1) 符號很熟悉，那么可以跳過本小節(jié)。

有一個裝了 7 塊石頭的罐子，其中 3 塊是白色的，4 塊是黑色的。如果從罐子中隨機取出一塊石頭，那么是白色石頭的可能性是多少？由于取石頭有 7 種可能，其中 3 種為白色，所以取出白色石頭的概率為 3/7 。那么取到黑色石頭的概率又是多少呢？很顯然，是 4/7 。我們使用 P(white) 來表示取到白色石頭的概率，其概率值可以通過白色石頭數(shù)目除以總的石頭數(shù)目來得到。

如果這 7 塊石頭如下圖所示，放在兩個桶中，那么上述概率應(yīng)該如何計算？

計算 P(white) 或者 P(black) ，如果事先我們知道石頭所在桶的信息是會改變結(jié)果的。這就是所謂的條件概率(conditional probablity)。假定計算的是從 B 桶取到白色石頭的概率，這個概率可以記作 P(white|bucketB) ，我們稱之為“在已知石頭出自 B 桶的條件下，取出白色石頭的概率”。很容易得到，P(white|bucketA) 值為 2/4 ，P(white|bucketB) 的值為 1/3 。

條件概率的計算公式如下：

P(white|bucketB) = P(white and bucketB) / P(bucketB)

首先，我們用 B 桶中白色石頭的個數(shù)除以兩個桶中總的石頭數(shù)，得到 P(white and bucketB) = 1/7 .其次，由于 B 桶中有 3 塊石頭，而總石頭數(shù)為 7 ，于是 P(bucketB) 就等于 3/7 。于是又 P(white|bucketB) = P(white and bucketB) / P(bucketB) = (1/7) / (3/7) = 1/3 。

使用條件概率來分類

上面我們提到貝葉斯決策理論要求計算兩個概率 p1(x, y) 和 p2(x, y):

• 如果 p1(x, y) > p2(x, y), 那么屬于類別 1;
• 如果 p2(x, y) > p1(X, y), 那么屬于類別 2.

這并不是貝葉斯決策理論的所有內(nèi)容。使用 p1() 和 p2() 只是為了盡可能簡化描述，而真正需要計算和比較的是 p(c1|x, y) 和 p(c2|x, y) .這些符號所代表的具體意義是: 給定某個由 x、y 表示的數(shù)據(jù)點，那么該數(shù)據(jù)點來自類別 c1 的概率是多少？數(shù)據(jù)點來自類別 c2 的概率又是多少？注意這些概率與概率 p(x, y|c1) 并不一樣，不過可以使用貝葉斯準(zhǔn)則來交換概率中條件與結(jié)果。具體地，應(yīng)用貝葉斯準(zhǔn)則得到:

使用上面這些定義，可以定義貝葉斯分類準(zhǔn)則為:

• 如果 P(c1|x, y) > P(c2|x, y), 那么屬于類別 c1;
• 如果 P(c2|x, y) > P(c1|x, y), 那么屬于類別 c2.

在文檔分類中，整個文檔(如一封電子郵件)是實例，而電子郵件中的某些元素則構(gòu)成特征。我們可以觀察文檔中出現(xiàn)的詞，并把每個詞作為一個特征，而每個詞的出現(xiàn)或者不出現(xiàn)作為該特征的值，這樣得到的特征數(shù)目就會跟詞匯表中的詞的數(shù)目一樣多。

我們假設(shè)特征之間 相互獨立 。所謂 獨立(independence) 指的是統(tǒng)計意義上的獨立，即一個特征或者單詞出現(xiàn)的可能性與它和其他單詞相鄰沒有關(guān)系，比如說，“我們”中的“我”和“們”出現(xiàn)的概率與這兩個字相鄰沒有任何關(guān)系。這個假設(shè)正是樸素貝葉斯分類器中 樸素(naive) 一詞的含義。樸素貝葉斯分類器中的另一個假設(shè)是，每個特征同等重要。

Note: 樸素貝葉斯分類器通常有兩種實現(xiàn)方式: 一種基于伯努利模型實現(xiàn)，一種基于多項式模型實現(xiàn)。這里采用前一種實現(xiàn)方式。該實現(xiàn)方式中并不考慮詞在文檔中出現(xiàn)的次數(shù)，只考慮出不出現(xiàn)，因此在這個意義上相當(dāng)于假設(shè)詞是等權(quán)重的。

樸素貝葉斯 場景

機器學(xué)習(xí)的一個重要應(yīng)用就是文檔的自動分類。

在文檔分類中，整個文檔(如一封電子郵件)是實例，而電子郵件中的某些元素則構(gòu)成特征。我們可以觀察文檔中出現(xiàn)的詞，并把每個詞作為一個特征，而每個詞的出現(xiàn)或者不出現(xiàn)作為該特征的值，這樣得到的特征數(shù)目就會跟詞匯表中的詞的數(shù)目一樣多。

樸素貝葉斯是上面介紹的貝葉斯分類器的一個擴展，是用于文檔分類的常用算法。下面我們會進行一些樸素貝葉斯分類的實踐項目。

樸素貝葉斯 原理

樸素貝葉斯 工作原理

提取所有文檔中的詞條并進行去重獲取文檔的所有類別計算每個類別中的文檔數(shù)目對每篇訓(xùn)練文檔: 對每個類別: 如果詞條出現(xiàn)在文檔中-->增加該詞條的計數(shù)值(for循環(huán)或者矩陣相加) 增加所有詞條的計數(shù)值(此類別下詞條總數(shù))對每個類別: 對每個詞條: 將該詞條的數(shù)目除以總詞條數(shù)目得到的條件概率(P(詞條|類別))返回該文檔屬于每個類別的條件概率(P(類別|文檔的所有詞條))

樸素貝葉斯 開發(fā)流程

收集數(shù)據(jù): 可以使用任何方法。準(zhǔn)備數(shù)據(jù): 需要數(shù)值型或者布爾型數(shù)據(jù)。分析數(shù)據(jù): 有大量特征時，繪制特征作用不大，此時使用直方圖效果更好。訓(xùn)練算法: 計算不同的獨立特征的條件概率。測試算法: 計算錯誤率。使用算法: 一個常見的樸素貝葉斯應(yīng)用是文檔分類?？梢栽谌我獾姆诸悎鼍爸惺褂脴闼刎惾~斯分類器，不一定非要是文本。

樸素貝葉斯 算法特點

優(yōu)點: 在數(shù)據(jù)較少的情況下仍然有效，可以處理多類別問題。缺點: 對于輸入數(shù)據(jù)的準(zhǔn)備方式較為敏感。適用數(shù)據(jù)類型: 標(biāo)稱型數(shù)據(jù)。

樸素貝葉斯 項目案例

項目案例1: 屏蔽社區(qū)留言板的侮辱性言論

項目概述

構(gòu)建一個快速過濾器來屏蔽在線社區(qū)留言板上的侮辱性言論。如果某條留言使用了負(fù)面或者侮辱性的語言，那么就將該留言標(biāo)識為內(nèi)容不當(dāng)。對此問題建立兩個類別: 侮辱類和非侮辱類，使用 1 和 0 分別表示。

開發(fā)流程

收集數(shù)據(jù): 可以使用任何方法準(zhǔn)備數(shù)據(jù): 從文本中構(gòu)建詞向量分析數(shù)據(jù): 檢查詞條確保解析的正確性訓(xùn)練算法: 從詞向量計算概率測試算法: 根據(jù)現(xiàn)實情況修改分類器使用算法: 對社區(qū)留言板言論進行分類

收集數(shù)據(jù): 可以使用任何方法

本例是我們自己構(gòu)造的詞表:

def loadDataSet(): """ 創(chuàng)建數(shù)據(jù)集 :return: 單詞列表postingList, 所屬類別classVec """ postingList = [['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'], #[0,0,1,1,1......] ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'], ['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him'], ['stop', 'posting', 'stupid', 'worthless', 'garbage'], ['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'], ['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']] classVec = [0, 1, 0, 1, 0, 1] # 1 is abusive, 0 not return postingList, classVec

準(zhǔn)備數(shù)據(jù): 從文本中構(gòu)建詞向量

def createVocabList(dataSet): """ 獲取所有單詞的集合 :param dataSet: 數(shù)據(jù)集 :return: 所有單詞的集合(即不含重復(fù)元素的單詞列表) """ vocabSet = set([]) # create empty set for document in dataSet: # 操作符 | 用于求兩個集合的并集 vocabSet = vocabSet | set(document) # union of the two sets return list(vocabSet)def setOfWords2Vec(vocabList, inputSet): """ 遍歷查看該單詞是否出現(xiàn)，出現(xiàn)該單詞則將該單詞置1 :param vocabList: 所有單詞集合列表 :param inputSet: 輸入數(shù)據(jù)集 :return: 匹配列表[0,1,0,1...]，其中 1與0 表示詞匯表中的單詞是否出現(xiàn)在輸入的數(shù)據(jù)集中 """ # 創(chuàng)建一個和詞匯表等長的向量，并將其元素都設(shè)置為0 returnVec = [0] * len(vocabList)# [0,0......] # 遍歷文檔中的所有單詞，如果出現(xiàn)了詞匯表中的單詞，則將輸出的文檔向量中的對應(yīng)值設(shè)為1 for word in inputSet: if word in vocabList: returnVec[vocabList.index(word)] = 1 else: print "the word: %s is not in my Vocabulary!" % word return returnVec

分析數(shù)據(jù): 檢查詞條確保解析的正確性

檢查函數(shù)執(zhí)行情況，檢查詞表，不出現(xiàn)重復(fù)單詞，需要的話，可以對其進行排序。

>>> listOPosts, listClasses = bayes.loadDataSet()>>> myVocabList = bayes.createVocabList(listOPosts)>>> myVocabList['cute', 'love', 'help', 'garbage', 'quit', 'I', 'problems', 'is', 'park', 'stop', 'flea', 'dalmation', 'licks', 'food', 'not', 'him', 'buying', 'posting', 'has', 'worthless', 'ate', 'to', 'maybe', 'please', 'dog', 'how', 'stupid', 'so', 'take', 'mr', 'steak', 'my']

檢查函數(shù)有效性。例如：myVocabList 中索引為 2 的元素是什么單詞？應(yīng)該是是 help 。該單詞在第一篇文檔中出現(xiàn)了，現(xiàn)在檢查一下看看它是否出現(xiàn)在第四篇文檔中。

>>> bayes.setOfWords2Vec(myVocabList, listOPosts[0])[0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 1]>>> bayes.setOfWords2Vec(myVocabList, listOPosts[3])[0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0]

訓(xùn)練算法: 從詞向量計算概率

現(xiàn)在已經(jīng)知道了一個詞是否出現(xiàn)在一篇文檔中，也知道該文檔所屬的類別。接下來我們重寫貝葉斯準(zhǔn)則，將之前的 x, y 替換為 w. 粗體的 w 表示這是一個向量，即它由多個值組成。在這個例子中，數(shù)值個數(shù)與詞匯表中的詞個數(shù)相同。

我們使用上述公式，對每個類計算該值，然后比較這兩個概率值的大小。

首先可以通過類別 i (侮辱性留言或者非侮辱性留言)中的文檔數(shù)除以總的文檔數(shù)來計算概率 p(ci) 。接下來計算 p(w | ci) ，這里就要用到樸素貝葉斯假設(shè)。如果將 w 展開為一個個獨立特征，那么就可以將上述概率寫作 p(w0, w1, w2...wn | ci) 。這里假設(shè)所有詞都互相獨立，該假設(shè)也稱作條件獨立性假設(shè)(例如 A 和 B 兩個人拋骰子，概率是互不影響的，也就是相互獨立的，A 拋 2點的同時 B 拋 3 點的概率就是 1/6 * 1/6)，它意味著可以使用 p(w0 | ci)p(w1 | ci)p(w2 | ci)...p(wn | ci) 來計算上述概率，這樣就極大地簡化了計算的過程。

樸素貝葉斯分類器訓(xùn)練函數(shù)

def _trainNB0(trainMatrix, trainCategory): """ 訓(xùn)練數(shù)據(jù)原版 :param trainMatrix: 文件單詞矩陣 [[1,0,1,1,1....],[],[]...] :param trainCategory: 文件對應(yīng)的類別[0,1,1,0....]，列表長度等于單詞矩陣數(shù)，其中的1代表對應(yīng)的文件是侮辱性文件，0代表不是侮辱性矩陣 :return: """ # 文件數(shù) numTrainDocs = len(trainMatrix) # 單詞數(shù) numWords = len(trainMatrix[0]) # 侮辱性文件的出現(xiàn)概率，即trainCategory中所有的1的個數(shù)， # 代表的就是多少個侮辱性文件，與文件的總數(shù)相除就得到了侮辱性文件的出現(xiàn)概率 pAbusive = sum(trainCategory) / float(numTrainDocs) # 構(gòu)造單詞出現(xiàn)次數(shù)列表 p0Num = zeros(numWords) # [0,0,0,.....] p1Num = zeros(numWords) # [0,0,0,.....] # 整個數(shù)據(jù)集單詞出現(xiàn)總數(shù) p0Denom = 0.0 p1Denom = 0.0 for i in range(numTrainDocs): # 是否是侮辱性文件 if trainCategory[i] == 1: # 如果是侮辱性文件，對侮辱性文件的向量進行加和 p1Num += trainMatrix[i] #[0,1,1,....] + [0,1,1,....]->[0,2,2,...] # 對向量中的所有元素進行求和，也就是計算所有侮辱性文件中出現(xiàn)的單詞總數(shù) p1Denom += sum(trainMatrix[i]) else: p0Num += trainMatrix[i] p0Denom += sum(trainMatrix[i]) # 類別1，即侮辱性文檔的[P(F1|C1),P(F2|C1),P(F3|C1),P(F4|C1),P(F5|C1)....]列表 # 即 在1類別下，每個單詞出現(xiàn)的概率 p1Vect = p1Num / p1Denom# [1,2,3,5]/90->[1/90,...] # 類別0，即正常文檔的[P(F1|C0),P(F2|C0),P(F3|C0),P(F4|C0),P(F5|C0)....]列表 # 即 在0類別下，每個單詞出現(xiàn)的概率 p0Vect = p0Num / p0Denom return p0Vect, p1Vect, pAbusive

測試算法: 根據(jù)現(xiàn)實情況修改分類器

在利用貝葉斯分類器對文檔進行分類時，要計算多個概率的乘積以獲得文檔屬于某個類別的概率，即計算 p(w0|1) * p(w1|1) * p(w2|1)。如果其中一個概率值為 0，那么最后的乘積也為 0。為降低這種影響，可以將所有詞的出現(xiàn)數(shù)初始化為 1，并將分母初始化為 2 (取1 或 2 的目的主要是為了保證分子和分母不為0，大家可以根據(jù)業(yè)務(wù)需求進行更改)。

另一個遇到的問題是下溢出，這是由于太多很小的數(shù)相乘造成的。當(dāng)計算乘積 p(w0|ci) * p(w1|ci) * p(w2|ci)... p(wn|ci) 時，由于大部分因子都非常小，所以程序會下溢出或者得到不正確的答案。(用 Python 嘗試相乘許多很小的數(shù)，最后四舍五入后會得到 0)。一種解決辦法是對乘積取自然對數(shù)。在代數(shù)中有 ln(a * b) = ln(a) + ln(b), 于是通過求對數(shù)可以避免下溢出或者浮點數(shù)舍入導(dǎo)致的錯誤。同時，采用自然對數(shù)進行處理不會有任何損失。

下圖給出了函數(shù) f(x) 與 ln(f(x)) 的曲線。可以看出，它們在相同區(qū)域內(nèi)同時增加或者減少，并且在相同點上取到極值。它們的取值雖然不同，但不影響最終結(jié)果。

def trainNB0(trainMatrix, trainCategory):

"""

訓(xùn)練數(shù)據(jù)優(yōu)化版本

:param trainMatrix: 文件單詞矩陣

:param trainCategory: 文件對應(yīng)的類別

:return:

"""

# 總文件數(shù)

numTrainDocs = len(trainMatrix)

# 總單詞數(shù)

numWords = len(trainMatrix[0])

# 侮辱性文件的出現(xiàn)概率

pAbusive = sum(trainCategory) / float(numTrainDocs)

# 構(gòu)造單詞出現(xiàn)次數(shù)列表

# p0Num 正常的統(tǒng)計

# p1Num 侮辱的統(tǒng)計

p0Num = ones(numWords)#[0,0......]->[1,1,1,1,1.....]

p1Num = ones(numWords)

# 整個數(shù)據(jù)集單詞出現(xiàn)總數(shù)，2.0根據(jù)樣本/實際調(diào)查結(jié)果調(diào)整分母的值(2主要是避免分母為0，當(dāng)然值可以調(diào)整)

# p0Denom 正常的統(tǒng)計

# p1Denom 侮辱的統(tǒng)計

p0Denom = 2.0

p1Denom = 2.0

for i in range(numTrainDocs):

if trainCategory[i] == 1:

# 累加辱罵詞的頻次

p1Num += trainMatrix[i]

# 對每篇文章的辱罵的頻次 進行統(tǒng)計匯總

p1Denom += sum(trainMatrix[i])

else:

p0Num += trainMatrix[i]

p0Denom += sum(trainMatrix[i])

# 類別1，即侮辱性文檔的[log(P(F1|C1)),log(P(F2|C1)),log(P(F3|C1)),log(P(F4|C1)),log(P(F5|C1))....]列表

p1Vect = log(p1Num / p1Denom)

# 類別0，即正常文檔的[log(P(F1|C0)),log(P(F2|C0)),log(P(F3|C0)),log(P(F4|C0)),log(P(F5|C0))....]列表

p0Vect = log(p0Num / p0Denom)

return p0Vect, p1Vect, pAbusive

使用算法: 對社區(qū)留言板言論進行分類

樸素貝葉斯分類函數(shù)

def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1): """ 使用算法： # 將乘法轉(zhuǎn)換為加法 乘法：P(C|F1F2...Fn) = P(F1F2...Fn|C)P(C)/P(F1F2...Fn) 加法：P(F1|C)*P(F2|C)....P(Fn|C)P(C) -> log(P(F1|C))+log(P(F2|C))+....+log(P(Fn|C))+log(P(C)) :param vec2Classify: 待測數(shù)據(jù)[0,1,1,1,1...]，即要分類的向量 :param p0Vec: 類別0，即正常文檔的[log(P(F1|C0)),log(P(F2|C0)),log(P(F3|C0)),log(P(F4|C0)),log(P(F5|C0))....]列表 :param p1Vec: 類別1，即侮辱性文檔的[log(P(F1|C1)),log(P(F2|C1)),log(P(F3|C1)),log(P(F4|C1)),log(P(F5|C1))....]列表 :param pClass1: 類別1，侮辱性文件的出現(xiàn)概率 :return: 類別1 or 0 """ # 計算公式 log(P(F1|C))+log(P(F2|C))+....+log(P(Fn|C))+log(P(C)) # 大家可能會發(fā)現(xiàn)，上面的計算公式，沒有除以貝葉斯準(zhǔn)則的公式的分母，也就是 P(w) (P(w) 指的是此文檔在所有的文檔中出現(xiàn)的概率)就進行概率大小的比較了， # 因為 P(w) 針對的是包含侮辱和非侮辱的全部文檔，所以 P(w) 是相同的。 # 使用 NumPy 數(shù)組來計算兩個向量相乘的結(jié)果，這里的相乘是指對應(yīng)元素相乘，即先將兩個向量中的第一個元素相乘，然后將第2個元素相乘，以此類推。 # 我的理解是：這里的 vec2Classify * p1Vec 的意思就是將每個詞與其對應(yīng)的概率相關(guān)聯(lián)起來 p1 = sum(vec2Classify * p1Vec) + log(pClass1) # P(w|c1) * P(c1) ，即貝葉斯準(zhǔn)則的分子 p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1) # P(w|c0) * P(c0) ，即貝葉斯準(zhǔn)則的分子· if p1 > p0: return 1 else: return 0def testingNB(): """ 測試樸素貝葉斯算法 """ # 1. 加載數(shù)據(jù)集 listOPosts, listClasses = loadDataSet() # 2. 創(chuàng)建單詞集合 myVocabList = createVocabList(listOPosts) # 3. 計算單詞是否出現(xiàn)并創(chuàng)建數(shù)據(jù)矩陣 trainMat = [] for postinDoc in listOPosts: # 返回m*len(myVocabList)的矩陣， 記錄的都是0，1信息 trainMat.append(setOfWords2Vec(myVocabList, postinDoc)) # 4. 訓(xùn)練數(shù)據(jù) p0V, p1V, pAb = trainNB0(array(trainMat), array(listClasses)) # 5. 測試數(shù)據(jù) testEntry = ['love', 'my', 'dalmation'] thisDoc = array(setOfWords2Vec(myVocabList, testEntry)) print testEntry, 'classified as: ', classifyNB(thisDoc, p0V, p1V, pAb) testEntry = ['stupid', 'garbage'] thisDoc = array(setOfWords2Vec(myVocabList, testEntry)) print testEntry, 'classified as: ', classifyNB(thisDoc, p0V, p1V, pAb)

完整代碼地址: https://github.com/apachecn/MachineLearning/blob/master/src/python/4.NaiveBayes/bayes.py

項目案例2: 使用樸素貝葉斯過濾垃圾郵件

項目概述

完成樸素貝葉斯的一個最著名的應(yīng)用: 電子郵件垃圾過濾。

開發(fā)流程

使用樸素貝葉斯對電子郵件進行分類

收集數(shù)據(jù): 提供文本文件準(zhǔn)備數(shù)據(jù): 將文本文件解析成詞條向量分析數(shù)據(jù): 檢查詞條確保解析的正確性訓(xùn)練算法: 使用我們之前建立的 trainNB() 函數(shù)測試算法: 使用樸素貝葉斯進行交叉驗證使用算法: 構(gòu)建一個完整的程序?qū)σ唤M文檔進行分類，將錯分的文檔輸出到屏幕上

收集數(shù)據(jù): 提供文本文件

文本文件內(nèi)容如下:

Hi Peter,With Jose out of town, do you want tomeet once in a while to keep thingsgoing and do some interesting stuff?Let me knowEugene

準(zhǔn)備數(shù)據(jù): 將文本文件解析成詞條向量

使用正則表達(dá)式來切分文本

>>> mySent = 'This book is the best book on Python or M.L. I have ever laid eyes upon.'>>> import re>>> regEx = re.compile('W*')>>> listOfTokens = regEx.split(mySent)>>> listOfTokens['This', 'book', 'is', 'the', 'best', 'book', 'on', 'Python', 'or', 'M.L.', 'I', 'have', 'ever', 'laid', 'eyes', 'upon', '']

分析數(shù)據(jù): 檢查詞條確保解析的正確性

訓(xùn)練算法: 使用我們之前建立的 trainNB0() 函數(shù)

def trainNB0(trainMatrix, trainCategory): """ 訓(xùn)練數(shù)據(jù)優(yōu)化版本 :param trainMatrix: 文件單詞矩陣 :param trainCategory: 文件對應(yīng)的類別 :return: """ # 總文件數(shù) numTrainDocs = len(trainMatrix) # 總單詞數(shù) numWords = len(trainMatrix[0]) # 侮辱性文件的出現(xiàn)概率 pAbusive = sum(trainCategory) / float(numTrainDocs) # 構(gòu)造單詞出現(xiàn)次數(shù)列表 # p0Num 正常的統(tǒng)計 # p1Num 侮辱的統(tǒng)計 p0Num = ones(numWords)#[0,0......]->[1,1,1,1,1.....] p1Num = ones(numWords) # 整個數(shù)據(jù)集單詞出現(xiàn)總數(shù)，2.0根據(jù)樣本/實際調(diào)查結(jié)果調(diào)整分母的值(2主要是避免分母為0，當(dāng)然值可以調(diào)整) # p0Denom 正常的統(tǒng)計 # p1Denom 侮辱的統(tǒng)計 p0Denom = 2.0 p1Denom = 2.0 for i in range(numTrainDocs): if trainCategory[i] == 1: # 累加辱罵詞的頻次 p1Num += trainMatrix[i] # 對每篇文章的辱罵的頻次 進行統(tǒng)計匯總 p1Denom += sum(trainMatrix[i]) else: p0Num += trainMatrix[i] p0Denom += sum(trainMatrix[i]) # 類別1，即侮辱性文檔的[log(P(F1|C1)),log(P(F2|C1)),log(P(F3|C1)),log(P(F4|C1)),log(P(F5|C1))....]列表 p1Vect = log(p1Num / p1Denom) # 類別0，即正常文檔的[log(P(F1|C0)),log(P(F2|C0)),log(P(F3|C0)),log(P(F4|C0)),log(P(F5|C0))....]列表 p0Vect = log(p0Num / p0Denom) return p0Vect, p1Vect, pAbusive

測試算法: 使用樸素貝葉斯進行交叉驗證

文件解析及完整的垃圾郵件測試函數(shù)

# 切分文本def textParse(bigString): ''' Desc: 接收一個大字符串并將其解析為字符串列表 Args: bigString -- 大字符串 Returns: 去掉少于 2 個字符的字符串，并將所有字符串轉(zhuǎn)換為小寫，返回字符串列表 ''' import re # 使用正則表達(dá)式來切分句子，其中分隔符是除單詞、數(shù)字外的任意字符串 listOfTokens = re.split(r'W*', bigString) return [tok.lower() for tok in listOfTokens if len(tok) > 2]def spamTest(): ''' Desc: 對貝葉斯垃圾郵件分類器進行自動化處理。 Args: none Returns: 對測試集中的每封郵件進行分類，若郵件分類錯誤，則錯誤數(shù)加 1，最后返回總的錯誤百分比。 ''' docList = [] classList = [] fullText = [] for i in range(1, 26): # 切分，解析數(shù)據(jù)，并歸類為 1 類別 wordList = textParse(open('input/4.NaiveBayes/email/spam/%d.txt' % i).read()) docList.append(wordList) classList.append(1) # 切分，解析數(shù)據(jù)，并歸類為 0 類別 wordList = textParse(open('input/4.NaiveBayes/email/ham/%d.txt' % i).read()) docList.append(wordList) fullText.extend(wordList) classList.append(0) # 創(chuàng)建詞匯表 vocabList = createVocabList(docList) trainingSet = range(50) testSet = [] # 隨機取 10 個郵件用來測試 for i in range(10): # random.uniform(x, y) 隨機生成一個范圍為 x - y 的實數(shù) randIndex = int(random.uniform(0, len(trainingSet))) testSet.append(trainingSet[randIndex]) del(trainingSet[randIndex]) trainMat = [] trainClasses = [] for docIndex in trainingSet: trainMat.append(setOfWords2Vec(vocabList, docList[docIndex])) trainClasses.append(classList[docIndex]) p0V, p1V, pSpam = trainNB0(array(trainMat), array(trainClasses)) errorCount = 0 for docIndex in testSet: wordVector = setOfWords2Vec(vocabList, docList[docIndex]) if classifyNB(array(wordVector), p0V, p1V, pSpam) != classList[docIndex]: errorCount += 1 print 'the errorCount is: ', errorCount print 'the testSet length is :', len(testSet) print 'the error rate is :', float(errorCount)/len(testSet)

使用算法: 構(gòu)建一個完整的程序?qū)σ唤M文檔進行分類，將錯分的文檔輸出到屏幕上

完整代碼地址: https://github.com/apachecn/MachineLearning/blob/master/src/python/4.NaiveBayes/bayes.py

項目案例3: 使用樸素貝葉斯分類器從個人廣告中獲取區(qū)域傾向

項目概述

廣告商往往想知道關(guān)于一個人的一些特定人口統(tǒng)計信息，以便能更好地定向推銷廣告。

我們將分別從美國的兩個城市中選取一些人，通過分析這些人發(fā)布的信息，來比較這兩個城市的人們在廣告用詞上是否不同。如果結(jié)論確實不同，那么他們各自常用的詞是那些，從人們的用詞當(dāng)中，我們能否對不同城市的人所關(guān)心的內(nèi)容有所了解。

開發(fā)流程

收集數(shù)據(jù): 從 RSS 源收集內(nèi)容，這里需要對 RSS 源構(gòu)建一個接口準(zhǔn)備數(shù)據(jù): 將文本文件解析成詞條向量分析數(shù)據(jù): 檢查詞條確保解析的正確性訓(xùn)練算法: 使用我們之前簡歷的 trainNB0() 函數(shù)測試算法: 觀察錯誤率，確保分類器可用。可以修改切分程序，以降低錯誤率，提高分類結(jié)果使用算法: 構(gòu)建一個完整的程序，封裝所有內(nèi)容。給定兩個 RSS 源，改程序會顯示最常用的公共詞

收集數(shù)據(jù): 從 RSS 源收集內(nèi)容，這里需要對 RSS 源構(gòu)建一個接口

也就是導(dǎo)入 RSS 源，我們使用 python 下載文本，在http://code.google.com/p/feedparser/ 下瀏覽相關(guān)文檔，安裝 feedparse，首先解壓下載的包，并將當(dāng)前目錄切換到解壓文件所在的文件夾，然后在 python 提示符下輸入：

>>> python setup.py install

準(zhǔn)備數(shù)據(jù): 將文本文件解析成詞條向量

文檔詞袋模型

我們將每個詞的出現(xiàn)與否作為一個特征，這可以被描述為 詞集模型(set-of-words model)。如果一個詞在文檔中出現(xiàn)不止一次，這可能意味著包含該詞是否出現(xiàn)在文檔中所不能表達(dá)的某種信息，這種方法被稱為 詞袋模型(bag-of-words model)。在詞袋中，每個單詞可以出現(xiàn)多次，而在詞集中，每個詞只能出現(xiàn)一次。為適應(yīng)詞袋模型，需要對函數(shù) setOfWords2Vec() 稍加修改，修改后的函數(shù)為 bagOfWords2Vec() 。

如下給出了基于詞袋模型的樸素貝葉斯代碼。它與函數(shù) setOfWords2Vec() 幾乎完全相同，唯一不同的是每當(dāng)遇到一個單詞時，它會增加詞向量中的對應(yīng)值，而不只是將對應(yīng)的數(shù)值設(shè)為 1 。

def bagOfWords2VecMN(vocaList, inputSet): returnVec = [0] * len(vocabList) for word in inputSet: if word in inputSet: returnVec[vocabList.index(word)] += 1 return returnVec#創(chuàng)建一個包含在所有文檔中出現(xiàn)的不重復(fù)詞的列表def createVocabList(dataSet): vocabSet=set([]) #創(chuàng)建一個空集 for document in dataSet: vocabSet=vocabSet|set(document) #創(chuàng)建兩個集合的并集 return list(vocabSet)def setOfWords2VecMN(vocabList,inputSet): returnVec=[0]*len(vocabList) #創(chuàng)建一個其中所含元素都為0的向量 for word in inputSet: if word in vocabList: returnVec[vocabList.index(word)]+=1 return returnVec#文件解析def textParse(bigString): import re listOfTokens=re.split(r'W*',bigString) return [tok.lower() for tok in listOfTokens if len(tok)>2]

分析數(shù)據(jù): 檢查詞條確保解析的正確性

訓(xùn)練算法: 使用我們之前簡歷的 trainNB0() 函數(shù)

def trainNB0(trainMatrix, trainCategory): """ 訓(xùn)練數(shù)據(jù)優(yōu)化版本 :param trainMatrix: 文件單詞矩陣 :param trainCategory: 文件對應(yīng)的類別 :return: """ # 總文件數(shù) numTrainDocs = len(trainMatrix) # 總單詞數(shù) numWords = len(trainMatrix[0]) # 侮辱性文件的出現(xiàn)概率 pAbusive = sum(trainCategory) / float(numTrainDocs) # 構(gòu)造單詞出現(xiàn)次數(shù)列表 # p0Num 正常的統(tǒng)計 # p1Num 侮辱的統(tǒng)計 # 避免單詞列表中的任何一個單詞為0，而導(dǎo)致最后的乘積為0，所以將每個單詞的出現(xiàn)次數(shù)初始化為 1 p0Num = ones(numWords)#[0,0......]->[1,1,1,1,1.....] p1Num = ones(numWords) # 整個數(shù)據(jù)集單詞出現(xiàn)總數(shù)，2.0根據(jù)樣本/實際調(diào)查結(jié)果調(diào)整分母的值(2主要是避免分母為0，當(dāng)然值可以調(diào)整) # p0Denom 正常的統(tǒng)計 # p1Denom 侮辱的統(tǒng)計 p0Denom = 2.0 p1Denom = 2.0 for i in range(numTrainDocs): if trainCategory[i] == 1: # 累加辱罵詞的頻次 p1Num += trainMatrix[i] # 對每篇文章的辱罵的頻次 進行統(tǒng)計匯總 p1Denom += sum(trainMatrix[i]) else: p0Num += trainMatrix[i] p0Denom += sum(trainMatrix[i]) # 類別1，即侮辱性文檔的[log(P(F1|C1)),log(P(F2|C1)),log(P(F3|C1)),log(P(F4|C1)),log(P(F5|C1))....]列表 p1Vect = log(p1Num / p1Denom) # 類別0，即正常文檔的[log(P(F1|C0)),log(P(F2|C0)),log(P(F3|C0)),log(P(F4|C0)),log(P(F5|C0))....]列表 p0Vect = log(p0Num / p0Denom) return p0Vect, p1Vect, pAbusive

測試算法: 觀察錯誤率，確保分類器可用?？梢孕薷那蟹殖绦?#xff0c;以降低錯誤率，提高分類結(jié)果

#RSS源分類器及高頻詞去除函數(shù)def calcMostFreq(vocabList,fullText): import operator freqDict={} for token in vocabList: #遍歷詞匯表中的每個詞 freqDict[token]=fullText.count(token) #統(tǒng)計每個詞在文本中出現(xiàn)的次數(shù) sortedFreq=sorted(freqDict.iteritems(),key=operator.itemgetter(1),reverse=True) #根據(jù)每個詞出現(xiàn)的次數(shù)從高到底對字典進行排序 return sortedFreq[:30] #返回出現(xiàn)次數(shù)最高的30個單詞def localWords(feed1,feed0): import feedparser docList=[];classList=[];fullText=[] minLen=min(len(feed1['entries']),len(feed0['entries'])) for i in range(minLen): wordList=textParse(feed1['entries'][i]['summary']) #每次訪問一條RSS源 docList.append(wordList) fullText.extend(wordList) classList.append(1) wordList=textParse(feed0['entries'][i]['summary']) docList.append(wordList) fullText.extend(wordList) classList.append(0) vocabList=createVocabList(docList) top30Words=calcMostFreq(vocabList,fullText) for pairW in top30Words: if pairW[0] in vocabList:vocabList.remove(pairW[0]) #去掉出現(xiàn)次數(shù)最高的那些詞 trainingSet=range(2*minLen);testSet=[] for i in range(20): randIndex=int(random.uniform(0,len(trainingSet))) testSet.append(trainingSet[randIndex]) del(trainingSet[randIndex]) trainMat=[];trainClasses=[] for docIndex in trainingSet: trainMat.append(bagOfWords2VecMN(vocabList,docList[docIndex])) trainClasses.append(classList[docIndex]) p0V,p1V,pSpam=trainNBO(array(trainMat),array(trainClasses)) errorCount=0 for docIndex in testSet: wordVector=bagOfWords2VecMN(vocabList,docList[docIndex]) if classifyNB(array(wordVector),p0V,p1V,pSpam)!=classList[docIndex]: errorCount+=1 print 'the error rate is:',float(errorCount)/len(testSet) return vocabList,p0V,p1V#樸素貝葉斯分類函數(shù)def classifyNB(vec2Classify,p0Vec,p1Vec,pClass1): p1=sum(vec2Classify*p1Vec)+log(pClass1) p0=sum(vec2Classify*p0Vec)+log(1.0-pClass1) if p1>p0: return 1 else: return 0

使用算法: 構(gòu)建一個完整的程序，封裝所有內(nèi)容。給定兩個 RSS 源，改程序會顯示最常用的公共詞

函數(shù) localWords() 使用了兩個 RSS 源作為參數(shù)，RSS 源要在函數(shù)外導(dǎo)入，這樣做的原因是 RSS 源會隨時間而改變，重新加載 RSS 源就會得到新的數(shù)據(jù)

>>> reload(bayes)>>> import feedparser>>> ny=feedparser.parse('http://newyork.craigslist.org/stp/index.rss')>>> sy=feedparser.parse('http://sfbay.craigslist.org/stp/index.rss')>>> vocabList,pSF,pNY=bayes.localWords(ny,sf)the error rate is: 0.2>>> vocabList,pSF,pNY=bayes.localWords(ny,sf)the error rate is: 0.3>>> vocabList,pSF,pNY=bayes.localWords(ny,sf)the error rate is: 0.55

為了得到錯誤率的精確估計，應(yīng)該多次進行上述實驗，然后取平均值

接下來，我們要分析一下數(shù)據(jù)，顯示地域相關(guān)的用詞

可以先對向量pSF與pNY進行排序，然后按照順序打印出來，將下面的代碼添加到文件中：

#最具表征性的詞匯顯示函數(shù)def getTopWords(ny,sf): import operator vocabList,p0V,p1V=localWords(ny,sf) topNY=[];topSF=[] for i in range(len(p0V)): if p0V[i]>-6.0:topSF.append((vocabList[i],p0V[i])) if p1V[i]>-6.0:topNY.append((vocabList[i],p1V[i])) sortedSF=sorted(topSF,key=lambda pair:pair[1],reverse=True) print "SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**" for item in sortedSF: print item[0] sortedNY=sorted(topNY,key=lambda pair:pair[1],reverse=True) print "NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**" for item in sortedNY: print item[0]

函數(shù) getTopWords() 使用兩個 RSS 源作為輸入，然后訓(xùn)練并測試樸素貝葉斯分類器，返回使用的概率值。然后創(chuàng)建兩個列表用于元組的存儲，與之前返回排名最高的 X 個單詞不同，這里可以返回大于某個閾值的所有詞，這些元組會按照它們的條件概率進行排序。

保存 bayes.py 文件，在python提示符下輸入：

>>> reload(bayes)>>> bayes.getTopWords(ny,sf)the error rate is: 0.55SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**howlastman...veteranstillendslateoffownknowNY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**someonemeet...apparelrecalledstartingstrings

當(dāng)注釋掉用于移除高頻詞的三行代碼，然后比較注釋前后的分類性能，去掉這幾行代碼之后，錯誤率為54%，，而保留這些代碼得到的錯誤率為70%。這里觀察到，這些留言中出現(xiàn)次數(shù)最多的前30個詞涵蓋了所有用詞的30%，vocabList的大小約為3000個詞，也就是說，詞匯表中的一小部分單詞卻占據(jù)了所有文本用詞的一大部分。產(chǎn)生這種現(xiàn)象的原因是因為語言中大部分都是冗余和結(jié)構(gòu)輔助性內(nèi)容。另一個常用的方法是不僅移除高頻詞，同時從某個預(yù)定高頻詞中移除結(jié)構(gòu)上的輔助詞，該詞表稱為停用詞表。

最后輸出的單詞，可以看出程序輸出了大量的停用詞，可以移除固定的停用詞看看結(jié)果如何，這樣做的花，分類錯誤率也會降低。

完整代碼地址: https://github.com/apachecn/MachineLearning/blob/master/src/python/4.NaiveBayes/bayes.py

來源：羊三 小瑤 / ApacheCN ，只作分享，不作任何商業(yè)用途，版權(quán)歸原作者所有

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎勵來咯，堅持創(chuàng)作打卡瓜分現(xiàn)金大獎

總結(jié)

以上是生活随笔為你收集整理的实现贝叶斯分类器_机器学习实战项目-朴素贝叶斯的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。