最近刚刚开始利用空余时间学习一下机器学习领域的10大经典算法,作为知识的储备,算是给自己的学习作一个备份。
何为朴素贝叶斯分类算法
朴素贝叶斯分类算法,基于概率论实现分类,它不给出确切的分类,而是给出所属的类别的估计概率。朴素贝叶斯的理论基础是条件概率和贝叶斯准则条件概率
条件概率公式如下:
这里,事件b表示条件。公式的含义可以理解为在事件b发生的前提下,事件a发生的概率 = 事件a、b同时发生的概率 *事件b发生的概率。
如果事件a有多个属性,公式的形式如下:
需要注意的是上述公式成立的一个条件是相互独立
贝叶斯定理
举一个具体的例子,假如现在有一个装了7个球的桶,其中3个是白色的,4个是黑色的,那么随机取出一个球,球是白色的概率为3/7,为黑色的概率是4/7。如果这7个球放在A、B两个桶中,如下图所示:
按照上面的条件概率公式可以知道,p(白/B)=p(白,B)P(B) = (1/7 )/ (3/7) = 1/3。
解释一下p(白/B)和p(白,B)的区别:p(白/B)表示在B桶中抽到一个白球(所以B是限定条件),p(白,B)表示抽到一个白球且这个白球位于B桶中(白球和B桶同时发生)。通常p(白/B)称之为先验概率
那么问题来了,如果知道了p(白/B),如何求P(B/白)的概率,也就是已知抽到一个白球,那么它来自B桶的概率是多少。
这个问题可以利用贝叶斯公式来求解:
对于上面这个具体的例子可以有:
抽到白球的概率p(白)=p(白/A)p(A)+p(白/B)p(B) = (2/4)(4/7) + (1/3) (3/7) = 3/7 也就是白球发生的概率是3/7
p(白/B)p(B) = 1/7
p(B/白) = (1/7) / (3/7) = 1/3为什么是朴素贝叶斯
这里面有个假设——各个属性间互相独立决策标准
如果p(1/x,y) > p(2/x,y), 那么属于类别1
如果p(2/x,y) > p(1/x,y), 那么属于类别2缺陷
因为没有这里假设各个属性相互独立,但是在某些情况下,属性B出现的概率依赖于其他属性,这时候分类的准确度会有偏差,解决办法在后面的博文中会介绍实现代码
使用python语言实现,这里有一个小技巧,对于连乘的数学表达式,采用取对数的方式,变成加法,作用是防止出现某一项为0导致整个表达式为0的情况
@python
# -*- coding:utf-8 -*-
__author__ = 'Administrator'
from numpy import *
def loadDataSet():
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']
]
classVec = [0, 1, 0, 1, 0, 1] # 1表示出现侮辱性文字,0表示没有出现侮辱性文字
return postingList, classVec
def createVocabList(dataSet):
vocabSet = set([])
for document in dataSet:
vocabSet = vocabSet | set(document)
return list(vocabSet)
def setOfWords2Vec(vocabList, inputSet):
returnVec = [0] * len(vocabList) # python 中,列表乘以一个常数n,表示列表中所有元素作为整体重复n次
for word in inputSet:
if word in vocabList:
returnVec[vocabList.index(word)] = 1
else:
print("the word: %s is not in my vocablist!" % word)
return returnVec
def bagOfWords2Vec(vocabList, inputSet):
returnVec = [0] * len(vocabList) # python 中,列表乘以一个常数n,表示列表中所有元素作为整体重复n次
for word in inputSet:
if word in vocabList:
returnVec[vocabList.index(word)] += 1
else:
print("the word: %s is not in my vocablist!" % word)
return returnVec
def trainNB0(trainMatrix, trainCategory):
numTrainDocs = len(trainMatrix)
numWords = len(trainMatrix[0])
pAbusive = sum(trainCategory) / float(numTrainDocs)
# p0Num = zeros(numWords)
# p1Num = zeros(numWords)
p0Num = ones(numWords)
p1Num = ones(numWords)
p0Denom = 2.0
p1Denom = 2.0
for i in range(numTrainDocs):
if trainCategory[i] == 1:
p1Num += trainMatrix[i]
p1Denom += sum(trainMatrix[i]) # 该类中包含的所有词汇的总数
else:
p0Num += trainMatrix[i]
p0Denom += sum(trainMatrix[i]) # 该类中包含的所有词汇的总数
p1Vec = log(p1Num / p1Denom)
p0Vec = log(p0Num / p0Denom)
return p0Vec, p1Vec, pAbusive
def classifyNB(vec2Classify, p0vec, p1vec, pClass1):
p1 = sum(vec2Classify * p1vec) + log(pClass1)
p0 = sum(vec2Classify * p0vec) + log(1-pClass1)
if p1 > p0:
return 1
else:
return 0
def testingNb():
listOPosts, listClasses = loadDataSet()
myVocabList = createVocabList(listOPosts)
trainMat = []
for postinDoc in listOPosts:
trainMat.append(setOfWords2Vec(myVocabList, postinDoc))
p0v, p1v, pAb = trainNB0(array(trainMat), array(listClasses))
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)
def textParse(bigString):
import re
listOfTockens = re.split(r'\W*', bigString)
return [tok.lower() for tok in listOfTockens if len(tok) > 2]
def spamTest():
docList = []
classList = []
fullText = []
for i in range(1, 26):
wordList = textParse(open('email/spam/%d.txt' % i).read())
docList.append(wordList) # wordlist整体作为一个元素加入到doclist
fullText.extend(wordList) # wordList的元素依次加入到doclist
classList.append(1)
wordList = textParse(open('email/ham/%d.txt' % i).read())
docList.append(wordList) # wordlist整体作为一个元素加入到doclist
fullText.extend(wordList) # wordList的元素依次加入到doclist
classList.append(0)
vocabList = createVocabList(docList)
trainingSet = range(50)
testSet = []
for i in range(10):
randIndex = int(random.uniform(0, len(trainingSet)))
testSet.append(trainingSet[randIndex])
del(trainingSet[randIndex])
trainMat = []
trainClass = []
for docIndex in trainingSet:
trainMat.append(setOfWords2Vec(vocabList, docList[docIndex]))
trainClass.append(classList[docIndex])
p0v, p1v, pSpam = trainNB0(array(trainMat), array(classList))
errorCount = 0
for docIndex in testSet:
wordVector = setOfWords2Vec(vocabList, docList[docIndex])
if classifyNB(array(wordVector), p0v, p1v, pSpam) != classList[docIndex]:
errorCount += 1
print('error doc = ', docList[docIndex])
# print('the error rate is:', float(errorCount / len(testSet)))
print('the error rate is:', float(errorCount) / len(testSet))
这里写代码片