目录
4.1 基于贝叶斯决策理论的分类方法
朴素贝叶斯
优点:在数据较少的情况下仍然有效,可以处理多类别问题。
缺点:对于输入数据的准备方式较为敏感。
适用数据类型:标称型数据。
朴素贝叶斯是贝叶斯决策理论的一部分。先简单了解一下贝叶斯决策理论,假设有两类数据的统计参数,p1(x,y)表示数据点(x,y)属于类别1的概率,p2(x,y)表示数据点(x,y)属于类别2的概率。那么对于一个新的数据点(x,y),可以用下面的规则来判断它的类别:
如果 p1(x,y) > p2(x,y) ,那么类别为1。
如果 p2(x,y) > p1(x,y) ,那么类别为2。
也就是说,我们会选择高概率对应的类别。这就是贝叶斯决策理论的核心思想,即选择具有最高概率的决策。
4.2 条件概率
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概率中的条件与结果,即如果已知p(x|c),要求p(c|x),则可使用:
4.3 使用条件概率来分类
前面4.1提到的贝叶斯决策理论要求计算两个概率p1(x,y)和p2(x,y),且:
如果 p1(x,y) > p2(x,y) ,那么类别为1。
如果 p2(x,y) > p1(x,y) ,那么类别为2。
但以上两个准则并不是贝叶斯决策理论的所有内容。使用p1( )和p2( )只是为了尽可能简化描述,而真正需要计算和比较的是p(c1|x,y)和p(c2|x,y)。其表示的是:给定某个x、y表示的数据点,那么该数据点来自类别c1和来自类别c2的概率为多少?注意这些概率与刚才给出的概率p(x,y|c1)并不一样,不过可以使用贝叶斯准则来交换概率中的条件和结果。具体地,应用贝叶斯准则可以得到:
则贝叶斯准则可以定义为:
如果p(c1|x,y) > p(c2|x,y),那么属于类别c1。
如果p(c2|x,y) > p(c1|x,y),那么属于类别c2。
使用贝叶斯准则,可以通过已知的三个概率值来计算未知的概率值。
4.4 使用朴素贝叶斯进行文档分类
朴素贝叶斯的一般过程
(1)收集数据:可以使用任何方法。
(2)准备数据:需要数值型或者布尔型数据。
(3)分析数据:有大量特征时,绘制特征作用不大,此时使用直方图效果更好。
(4)训练算法:计算不同的独立性特征的条件概率。
(5)测试算法:计算错误率。
(6)使用算法:一个常见的朴素贝叶斯应用是文档分类。可以在任意的分类场景中使用朴素贝叶斯分类器,不一定非要是文本。
由统计学知,如果每个特征需要N个样本,那么对于10个特征将需要个样本,对于包含1000个特征则需要个样本。可以看到,所需要的样本数会随着特征数目增大而迅速增长。
如果特征之间相互独立,那么样本数就可以从减少到1000*N。所谓独立指的是统计意义上的独立,即一个特征或者单词出现的可能性与它的其他单词相邻没有关系。朴素贝叶斯分类器中假设每个特征同等重要。
4.5 使用Python进行文本分类
要从文本中获取特征,需要先拆分文本。特征是来自文本的词条,一个词条是字符的任意组合。可将其想象为单词,也可使用非单词词条。然后将每一个文本片段表示为一个词条向量,其中值为1表示词条出现在文档中,0表示词条未出现。
4.5.1 准备数据:从文本中构建词向量
词表到向量的转换函数
即将一组单词转换为一组数字。
#词表到向量的转换函数
def loadDataSet(): #创建一些实验样本
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 即1代表侮辱性文字,0代表正常言论
return postingList,classVec #第一个变量进行词条切分后的文档集合,第二个变量是一个类别标签的集合(有两类:侮辱性 1 和非侮辱性 0 )
def createVocabList(dataSet): #创建一个包含在所有文档中出现的不重复词的列表
vocabSet = set([]) #create empty set 创建空集合
for document in dataSet: #将每篇文档返回的新词集合添加到该集合中
vocabSet = vocabSet | set(document) #union of the two sets 操作符|用于求两个集合的并集,也为一个按位或(OR)操作符
return list(vocabSet)
def setOfWords2Vec(vocabList, inputSet):
returnVec = [0]*len(vocabList) #创建一个和词汇表等长的向量,并将其元素都设置为0
for word in inputSet: #遍历文档中的所有单词
if word in vocabList: #如果出现了词汇表中的单词
returnVec[vocabList.index(word)] = 1 #则将输出的文档向量中对应的值设为1
else: print ("the word: %s is not in my Vocabulary!" % word)
return returnVec
4.5.2 训练算法:从词向量计算概率
即利用上述得到的数字计算概率。
#朴素贝叶斯分类器训练函数
def trainNB0(trainMatrix,trainCategory): #输入为文档矩阵及每篇文档类别标签所构成的向量
numTrainDocs = len(trainMatrix) #训练集的数量
numWords = len(trainMatrix[0]) #词条的长度
pAbusive = sum(trainCategory)/float(numTrainDocs) #统计侮辱类文档的概率
p0Num = ones(numWords); p1Num = ones(numWords) #change to ones()
p0Denom = 2.0; p1Denom = 2.0 #分母初始化为 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
4.5.3 测试算法:根据现实情况修改分类器
def testingNB():
listOPosts,listClasses = loadDataSet()
#创建一个包含在所有文档中出现的不重复词的列表
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,'分类结果为:',classifyNB(thisDoc,p0V,p1V,pAb))
testEntry = ['stupid','garbage']
thisDoc = array(setOfWords2Vec(myVocabList, testEntry))
print(testEntry, '分类结果为:', classifyNB(thisDoc, p0V, p1V, pAb))
#文件解析函数
def textParse(bigString): #input is big string, #output is word list
import re #正则表达式工具
#分割数据,其分隔符是除单词、数字外任意的字符串
listOfTokens = re.split(r'\W*', bigString)
#单词全部转小写,过滤没用的短字符串
return [tok.lower() for tok in listOfTokens if len(tok) > 2]
#垃圾邮件测试函数
def spamTest():
docList = [] #存放每个邮件的单词向量
classList = [] #存放邮件对应的标签
fullText = []
for i in range(1, 26):
#读取侮辱类(spam中存储)邮件,并生成单词向量
wordList = textParse(open('./email/spam/%d.txt' % i).read())
docList.append(wordList) #将单词向量存放到docList中
fullText.extend(wordList)
classList.append(1) #存放对应的类标签,侮辱类为1
# 读取非侮辱类(ham中存储)邮件,并生成单词向量
wordList = textParse(open('./email/ham/%d.txt' % i).read())
docList.append(wordList) #将单词向量存放到docList中
fullText.extend(wordList)
classList.append(0) #存放对应的类标签,非侮辱类为0
#由所有的单词向量生成词库
# xx = len(docList)
# yy = list(range(xx))
# print(xx,yy)
vocabList = createVocabList(docList)
trainSet = list(range(50)) #产生0-49的50个数字
testIndex = [] #存放测试数据的下标
for i in range(10):
#从0-49之间随机生成一个下标
randIndex = int(random.uniform(0, len(trainSet)))
testIndex.append(trainSet[randIndex]) #提取对应的数据作为测试数据
del(trainSet[randIndex]) #删除对应的数据,避免下次再选中
trainDataSet = [] #存放训练数据(用于词集方法)
trainClasses = [] #存放训练数据标签(用于词集方法)
trainDataSet1 = [] #存放训练数据(用于词袋方法)
trainClasses1 = [] #存放训练数据标签(用于词袋方法)
for docIndex in trainSet:
#提取训练数据(词集方法)
trainDataSet.append(setOfWords2Vec(vocabList, docList[docIndex]))
#提取训练数据标签
trainClasses.append(classList[docIndex])
#提取训练数据(词袋方法)
trainDataSet1.append(bagOfWords2VecMN(vocabList, docList[docIndex]))
trainClasses1.append(classList[docIndex])
#开始训练
p0V, p1V, pSpam = trainNB0(array(trainDataSet), array(trainClasses))
errorCount = 0 #统计测试时分类错误的数据个数
p0V_1, p1V_1, pSpam1 = trainNB0(array(trainDataSet1), array(trainClasses1))
errorCount1 = 0
#开始测试分类器
for Index in testIndex: # classify the remaining items
#print("classification:", Index)
wordVector = setOfWords2Vec(vocabList, docList[Index]) #数据预处理
# 测试分类器,如果分类不正确,错误个数加1
if classifyNB(array(wordVector), p0V, p1V, pSpam) != classList[Index]:
errorCount += 1
wordVector1 = bagOfWords2VecMN(vocabList, docList[Index]) #数据预处理
if classifyNB(array(wordVector1), p0V_1, p1V_1, pSpam1) != classList[Index]:
errorCount1 += 1
#输出分类错误率
print('(set)的错误率: ', float(errorCount) / len(testIndex))
print('(bag)的错误率: ', float(errorCount1) / len(testIndex))
4.5.4 准备数据:文档词袋模型
将每个词的出现与否作为一个特征,描述为词集模型。 如果一个词在文档中出现不只一次,可能意味着包含该词是否出现在文档中所不能表达的某种信息,称为词袋模型。在词袋中,每个单词可以出现多次,而在词集中,每个词只能出现一次。
#朴素贝叶斯词袋模型
def bagOfWords2VecMN(vocabList, inputSet):
returnVec = [0]*len(vocabList)
for word in inputSet:
if word in vocabList:
#每个词在词袋中可以出现多次,出现则进行累加
returnVec[vocabList.index(word)] += 1
return returnVec
4.6 使用朴素贝叶斯过滤垃圾邮件
使用朴素贝叶斯解决问题时,需要先从文本内容得到字符串列表,然后生成词向量。
使用朴素贝叶斯对电子邮件进行分类
(1)收集数据:提供文本文件。
(2)准备数据:将文本文件解析成词条向量。
(3)分析数据:检查词条确保解析的正确性。
(4)训练算法:使用我们之前建立的trainNB0()函数。
(5)测试算法:使用classifyNB(),并且构建一个新的测试函数来计算文档集的错误率。
(6)使用算法:构建一个完整的程序对一组文档进行分类,将错分的文档输出到屏幕上。
4.6.1 准备数据:切分文本
!!!!!!!!!!环境出现了点问题,29日内会进行完善!!!!!!!!!