算法介绍
贝叶斯方法
贝叶斯方法是以贝叶斯原理为基础,使用概率统计的知识对样本数据集进行分类。由于其有着坚实的数学基础,叶斯分类算法的误判率是很低的。贝叶斯方法的特点是结合先验概率和后验概率,即避免了只使用先验概率的主管偏见,也避免了单独使用样本信息的过拟合现象。贝叶斯分类算法在数据集较大的情况下表现出较高的准确率,同时算法本身也比较简单。 [2]
朴素贝叶斯算法
朴素贝叶斯算法(Naive Bayesian) 是应用最为广泛的分类算法之一。
朴素贝叶斯方法是在贝叶斯算法的基础上进行了相应的简化,即假定给定目标值时属性之间相互条件独立。也就是说没有哪个属性变量对于决策结果来说占有着较大的比重,也没有哪个属性变量对于决策结果占有着较小的比重。虽然这个简化方式在一定程度上降低了贝叶斯分类算法的分类效果,但是在实际的应用场景中,极大地简化了贝叶斯方法的复杂性
算法原理
假设现在有一个装了7块石头的罐子,其中3块是灰色的,4块是黑色的(如图4-2所示)。如果从罐子中随机取出一块石头,那么是灰色石头的可能性是多少?由于取石头有7种可能,其中3种为灰色,所以取出灰色石头的概率为3/7。那么取到黑色石头的概率又是多少呢?很显然,是4/7。我们使用P(gray)来表示取到灰色石头的概率,其概率值可以通过灰色石头数目除以总的石头数目来得到。
这7块石头如上图所示放在两个桶中,那么上述概率应该如何计呢
要计算P(gray)或者P(black),事先得知道石头所在桶的信息会不会改变结果?你有可能
巳经想到计算从B桶中取到灰色石头的概率的办法,这就是所谓的条件概率(conditional
probability)。假定计算的是从8桶取到灰色石头的概率,这个概率可以记作P(gray|bucketB),
我们称之为“在巳知石头出自B桶的条件下,取出灰色这就是所谓的条件概率(conditional
probability)。不难得到, P(gray|bucketA)值为2/4,P(gray|bucketB)的值为1/3。
条件概率的计算公式如下所示:
P(gray|bucketB) = p(gray and bucketB ) / P( bucketB )
我们来看看上述公式是否合理。首先,用B桶中灰色石头的个数除以两个桶中总的石头数,
得到P(gray and bucketB) = 1/7 。其次,由于8桶中有3块石头,而总石头数为7 ,于是
P (bucketB) 等于3/7 于是有 (gray | bucketB) = P(gray and bucketB) /P(bucketB)=
(1/7) / (3/7) = 1/3。这个公式虽然对于这个简单例子来说有点复杂,但当存在更多特征时
是非常有效的。用代数方法计算条件概率时,该公式也很有用。
另一种有效计算条件概率的方法称为贝叶斯准则。贝叶斯准则告诉我们如何交换条件概率中
的条件与结果,即如果巳知P(x|c),要求P(c|x) ,那么可以使用下面的计算方法:
P ( c ∣ x ) = P ( x ∣ c ) P ( c ) P ( x ) P(c|x)=\frac{P(x|c)P(c)}{P(x)} P(c∣x)=P(x)P(x∣c)P(c)
算法示例
使用贝叶斯实现文本分类问题。对此问题建立两个类别:侮辱类和非侮辱类’使用1和0分别表示
加载文本数据
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 is abusive, 0 not
return postingList,classVec
创建空集
def createVocabList(dataSet):
vocabSet = set([]) #create empty set
for document in dataSet:
vocabSet = vocabSet | set(document) #union of the two sets
return list(vocabSet)
生成文档向量,向量的每一项为0或者1,分别表示单词在文档中是否出现
def setOfWords2Vec(vocabList, inputSet):
returnVec = [0]*len()
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
实现分类功能
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
p1 = sum(vec2Classify * p1Vec) + log(pClass1) #element-wise mult
p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1)
if p1 > p0:
return 1
else:
return 0
测试代码
def trainNB(trainMatrix,trainCategory):
numTrainDocs = len(trainMatrix)
numWords = len(trainMatrix[0])
pAbusive = sum(trainCategory)/float(numTrainDocs)
p0Num = ones(numWords); p1Num = ones(numWords) #change to ones()
p0Denom = 2.0; p1Denom = 2.0 #change to 2.0
for i in range(numTrainDocs):
if trainCategory[i] == 1:
p1Num += trainMatrix[i]
p1Denom += sum(trainMatrix[i])
else:
p0Num += trainMatrix[i]
p0Denom += sum(trainMatrix[i])
p1Vect = log(p1Num/p1Denom) #change to log()
p0Vect = log(p0Num/p0Denom) #change to log()
return p0Vect,p1Vect,pAbusive
if __name__ == '__main__':
trainNB
输出结果
['love', 'my', 'dalmation'] classified as: 0
['stupid', 'garbage'] classified as: 1