1 朴素贝叶斯算法描述
工作原理:
对于给出的待分类项,求解在此项出现的条件下各个类别出现的概率,哪个最大,就认为此待分类项属于哪个类别。
2 计算概率的伪代码
计算每个类别中的文档数目:
对每篇训练文档:
对每个类别:
If 词条出现在文档中:
增加该词条的计数值
增加所有词条的计数值
对每个类别:
对每个词条:
将该词条的数目除以总词条数目得到条件概率
return 每个类别的条件概率
3 Wiki-贝叶斯定理、朴素、平滑处理
(1)贝叶斯定理
贝叶斯定理是关于随机事件A和B的条件概率的一则定理。
其中P(A|B)是在B发生的情况下A发生的可能性。
在贝叶斯定理中,每个名词都有约定俗成的名称:
- P(A |B)是已知B发生后A的条件概率,也由于得自B的取值而被称作A的后验概率。
- P(B |A)是已知A发生后B的条件概率,也由于得自A的取值而被称作B的后验概率。
- P(A)是A的先验概率(或边缘概率)。之所以称为”先验”是因为它不考虑任何B方面的因素。
- P(B)是B的先验概率或边缘概率。
(2)朴素(native)
数据集中的各个特征相互独立,一个特征或者单词出现的可能性与它和其他单词相邻没有关系
(3)平滑处理(smoothing)
在利用朴素贝叶斯分类器对文档进行分类时,要计算很多个概率的乘积,以获得文档属于某个类别的概率。如果其中一个概率为0,那么最后乘积也为0。为了避免0概率的发生,我们可以加上平滑项。
4 朴素贝叶斯的优点与缺点
(1)优点
在数据较少的情况下仍然有效,可以处理多类别问题
(2)缺点
对于输入数据的准备方式比较敏感
5 Python 代码实现
(1)词表到向量的转换函数
def loadDataSet():
"""
创建一些试验样本
"""
# 进行词条切分后的文档集合
postingList = [['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'],
['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']]
# 类别标签集合
# 0 代表正常文档, 1 代表侮辱性文档
# 标注信息用于训练程序一遍自动检测侮辱性留言
classVec = [0, 1, 0, 1, 0, 1]
return postingList, classVec
# listOPosts, listClasses = loadDataSet()
def createVocabList(dataSet):
"""
创建一个包含在所有文档中出现的不重复词的 list
"""
# 创建一个空集
vocabSet = set([])
# 创建两个集合的并集
for document in dataSet:
# 将每篇文档返回的新词集合添加到该集合中
# 操作符 | 用于求两个集合的并集
vocabSet = vocabSet | set(document)
return list(vocabSet)
# myVocabList = createVocabList(listOPosts)
# print(myVocabList)
#
# index_stupid = myVocabList.index('stupid')
# print(index_stupid)
# 词集模型
def setOfWord2Vec(vocabList, inputSet):
"""
:param vocabList: 词汇表
:param inputSet: 某个文档
:return: 文档向量,向量的每个元素为 1 或 0,分别表示词汇表中的单词再输入文档中是否出现
"""
# 创建一个其中所含元素都为 0 的向量,长度与词汇表相同
returnVec = [0]*len(vocabList)
# 遍历文档中所有的单词
for word in inputSet:
# 如果出现了词汇表中的单词
if word in vocabList:
# 将输出的文档向量中的对应值设置为 1
returnVec[vocabList.index(word)] = 1
else:
print('the word %s is not in my Vocabulary!' % word)
return returnVec
# result_1 = setOfWord2Vec(myVocabList, listOPosts[0])
# result_2 = setOfWord2Vec(myVocabList, listOPosts[3])
# print(result_1, result_2)
(2)朴素贝叶斯分类器训练函数
def trainNB0(trainMatrix, trainCatagory):
"""
:param trainMatrix: 训练文档矩阵
:param trainCatagory: 训练文档对应的标签
:return:
"""
# 训练文档的总数
numTrainDocs = len(trainMatrix)
# 词汇表的长度(列数)
numWords = len(trainMatrix[0])
# 任意文档 属于 侮辱性 文档 的概率
pAbusive = sum(trainCatagory)/float(numTrainDocs)
# # 词汇表长度,以 0 填充的矩阵
# p0Num = np.zeros(numWords)
# p1Num = np.zeros(numWords)
#
# # denom 分母项
# p0Denom = 0.0
# p1Denom = 0.0
# 如果其中一个概率为0,那么最后乘积也为0
# 为了降低这种影响,将所有词的出现数初始化为1,并将分母初始化为2
p0Num = np.ones(numWords)
p1Num = np.ones(numWords)
p0Denom = 2.0
p1Denom = 2.0
# 遍历训练文档集中的每一篇文档
for i in range(numTrainDocs):
# 如果该文档的分类为 侮辱性 文档
if trainCatagory[i] == 1:
# 文档矩阵相加,最后获得的 p1Num 矩阵的每个元素为该词汇在所有文档中出现的总次数(一个行向量)
p1Num += trainMatrix[i]
# 矩阵单行元素相加,最后获得的 p1Denom 为整个文档集中所有词汇出现的总次数(一个常数)
p1Denom += sum(trainMatrix[i])
else:
p0Num += trainMatrix[i]
p0Denom += sum(trainMatrix[i])
# # 获得由每个单词 出现频率 组成的矩阵向量 p1Vect
# p1Vect = p1Num/p1Denom
# p0Vect = p0Num/p0Denom
# 由于太多很小的数字相乘,造成 下溢出
# 解决办法是对乘积取自然对数,通过求对数可以避免下溢出或者浮点数舍入导致的错误
# 采用自然对数进行处理不会造成任何损失
p1Vect = np.log(p1Num/p1Denom)
p0Vect = np.log(p0Num/p0Denom)
'''
p0Vect: 非侮辱性文档中,每个词出现的概率
p1Vect: 侮辱性文档中,每个词出现的概率
pAbusive: 任意一篇文档,是侮辱性文档的概率
'''
return p0Vect, p1Vect, pAbusive
# trainMat = []
# for postinDoc in listOPosts:
# trainMat.append(setOfWord2Vec(myVocabList, postinDoc))
# print('------------------------')
# print(trainMat)
# p0v, p1v, pAb = trainNB0(trainMat, listClasses)
# print(p0v)
# print(p0v[index_stupid])
# print('------------------------')
#
# print(p1v)
# print(p1v[index_stupid])
# print('------------------------')
#
# print(pAb)
# print('------------------------')
(3)朴素贝叶斯分类函数(伯努利贝叶斯)
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
"""
:param vec2Classify: 要分类的向量
:param p0Vec:
:param p1Vec:
:param pClass1:
:return:
"""
p1 = sum(vec2Classify*p1Vec) + np.log(pClass1)
p0 = sum(vec2Classify*p0Vec) + np.log(1.0-pClass1)
# print(p1, p0)
if p1 > p0:
return 1
else:
return 0
def testingNB():
# 训练部分
listOPosts, listClasses = loadDataSet()
myVocabList = createVocabList(listOPosts)
trainMat = []
for postinDoc in listOPosts:
trainMat.append(setOfWord2Vec(myVocabList, postinDoc))
p0V, p1V, pAb = trainNB0(np.array(trainMat), np.array(listClasses))
# 测试部分
# 输入的测试文档
testEntry = ['love', 'my', 'dalmation']
# 将 测试文档 根据 词汇表 转化为 矩阵向量
thisDoc = np.array(setOfWord2Vec(myVocabList, testEntry))
print(testEntry, 'classified as:', classifyNB(thisDoc, p0V, p1V, pAb))
testEntry = ['stupid', 'garbage']
thisDoc = np.array(setOfWord2Vec(myVocabList, testEntry))
print(testEntry, 'classified as:', classifyNB(thisDoc, p0V, p1V, pAb))
# testingNB()
(4)朴素贝叶斯词袋模型
def bagOfWords2VecMN(vocabList, inputSet):
# 创建一个其中所含元素都为 0 的向量,长度与词汇表相同
returnVec = [0] * len(vocabList)
# 遍历文档中所有的单词
for word in inputSet:
# 如果出现了词汇表中的单词
if word in vocabList:
# 将输出的文档向量中的对应值设置为 1
returnVec[vocabList.index(word)] += 1
return returnVec
6 示例:使用朴素贝叶斯过滤垃圾邮件
from bayes import createVocabList, setOfWord2Vec, trainNB0, classifyNB
import random
import numpy as np
def textParse(bigString):
"""
接受一个 bigString 长字符串,并将其解析为 由长度大于 2 单词 组成的 list
:param bigString: 长字符串
:return: 单词组成的 list
"""
import re
# 以 [a-zA-Z0-9] 以外的元素进行 拆分
listOfTokens = re.split('\W+', bigString)
# 将长度大于 2 的单词转换为小写,并存入 list
return [tok.lower for tok in listOfTokens if len(tok) > 2]
def spamTest():
"""
对贝叶斯辣鸡邮件分类器进行自动化处理
:return:
"""
# 初始化 文档 list, list 中的每一个元素都是一个 文档(由单词组成的 list)
docList = []
# 初始化 文档分类 list, classList 与 docList 中的每个元素 一一对应,即为对应 文档的分类
classList = []
# 初始化 全部文本 list, list 中的每个元素, 为 一个单词
fullText = []
# 遍历 spam 和 ham 目录下的各个 txt 文件
for i in range(1, 26):
# 打开目录下的一个 文本 ,并对其 进行解析 为 文档
wordList = textParse(open('email/spam/%d.txt' % i).read())
# 将文档 append 入 docList 中
docList.append(wordList)
# 将文档 extend 到 fullText 后
fullText.extend(wordList)
# 在 classList 中 添加 文档对应的分类
classList.append(1)
wordList = textParse(open('email/ham/%d.txt' % i).read())
docList.append(wordList)
fullText.extend(wordList)
classList.append(0)
# 根据 docList 调用 createVocabList 创建 词汇表
vocabList = createVocabList(docList)
# 初始化 trainingSet 训练集,一个长度为 50 的 list
trainingSet = list(range(50))
# 初始化 testSet 测试集,为空
testSet = []
# 重复 10 次
for i in range(10):
# 从 0 到 训练集长度,随机选择一个整数,作为 randIndex 随机索引
randIndex = int(random.uniform(0, len(trainingSet)))
# 测试集 添加 训练集中随机索引 对应的 元素
testSet.append(trainingSet[randIndex])
# 从 训练集 中 删除 随机