NLP学习笔记18-朴素贝叶斯(Naive Bayes)

一 序

  本文属于贪心NLP学习笔记系列。本篇介绍朴素贝叶斯。

二  朴素贝叶斯

2.1 问题引出

  垃圾邮件里经常出现“广告”，“购买”，“产品”这些单词。也就是p(“广告”|垃圾)>p(“广告”|正常)，p(“购买”|垃圾)>p(“购买”|正常)……这符合我们判断习惯。那么这些概率怎么计算？

具体案例1如下：

下图计算了购买在垃圾邮件和正常邮件里出现的概率。

根据假设：正常邮件的单词总数为24*10，垃圾邮件为：12 *10
正常邮件含有“购买”词的概率多少？p(“购买”|正常)=3/240
垃圾邮件含有“购买”词的概率多少？p(“购买”|垃圾)=7/120

和上面一样，再看下“物品”这个关键词的概率

把词库中每个单词都按这个模式计算一遍，

Prior Information

先验就是我们已知的信息。

插播数学背景知识：朴素贝叶斯定理

条件独立性：

给定第三个事件P(X,Y|Z) =P(X|Z)*P(Y|Z) ，则称X和Y是条件独立事件,独立于Z

 

 

也就是说，当Z发生时，X发生与否与Y发生与否是无关的。

看到这里，我总是觉得李文哲老师的优秀之处，很多数学公式讲的很清楚，功底深厚。

判断新邮件是否是垃圾邮件：

需要判断一个邮件不是垃圾邮件，那么就要满足：
p ( 正 常 ∣ 内 容 ) > p ( 垃 圾 ∣ 内 容 )

上面根据贝叶斯公式，下面根据条件独立推导。

这里面每一项我们都在朴素贝叶斯模型中训练好了，同理，p(内容|垃圾)也可以这样计算，那么最终二者可以进行比较并判断是否是垃圾邮件。

垃圾邮件分类实例

假设我们有的邮件数据：供6条数据，预测新邮件？

第一步、训练模型

先看先验：正常邮件与垃圾邮件各占一半=1/2；

接下来计算正常单词在正常邮件或者垃圾邮件出现的概率，计算完之后基本就是训练好了。

构建词库：维度为15
接下来计算每一个词在不同分类中的条件概率，为了防止出现一些概率为0的情况，朴素贝叶斯一般采用add-one smooth策略：

第二步、预测分类

p(垃圾|邮件)>or <P(正常|邮件)，先把预测推导出来的公式贴一遍：
p(内容∣正常)p(正常)>or<p(内容∣垃圾)p(垃圾)

其中p(正常)，p(垃圾)是先验概率，剩余的把上一步的单词的概率放入。计算结果就是要比较结果的大小，这个明显左侧大说明该邮件是垃圾邮件。

这里注意：
当词库中词很多，每个词语的条件概率会很小，连乘后会得到underflow的错误，可以在每个项前面加上log，再来比较。
log一来是严格递增函数，不会因为加log改变相对大小。加log后连乘可以变连加，不会越乘越小。