python机器学习之朴素贝叶斯分类

朴素贝叶斯是一种基于概率论的分类方法，它是在分类过程中计算不同类别的后验概率，哪一个类别的后验概率大，那么就将该类别作为分类的结果。其中的关键步骤就是对后验概率的计算。后验概率的计算公式如下：

其中i代表的是类别，w代表的是特征向量，后验概率的实际意义就是在得到特征向量的条件下，该向量属于类别i的概率。为了计算后验概率，我们需要计算三个项，通常，我们考虑每一个特征向量的P(w)相等，因此也就不需要计算P(w)，对于P(Ci)，通过计算在训练数据中类别i的个数与训练数据总个数的比值来得到，通常，我们选取的不同类别的个数是相同的，所以这一项通常也是相等的。下面重点就是如何计算P(w|ci)，这里的w=(w0,w1,w2....wn)，那么计算P(w|ci)可以通过计算P(w0,w1,w2....wn|ci)来得到。朴素贝叶斯分类为什么叫做“朴素”，就是因为它经常考虑的是一些理想情况，所以在这里，我们认为w0,w1,w2...wn相互独立，那么就可以得到下面公式：

这里的每一项P(wn|ci)都是通过计算训练数据来得到的，因此，这个计算过程也就是对数据的训练过程。

朴素贝叶斯分类有很多应用，这里介绍一个在留言板中屏蔽侮辱性言论的例子。对此问题，我们建立两个类别，侮辱性和非侮辱性，使用1和0来分别表示。

首先，准备数据

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 侮辱, 0 非侮辱
    return postingList,classVec

这里有6组数据，即6个留言，保存为列表形式。这里的数据是文档，那么如何将这个文档表达为一个向量，这里用的方法是首先建立一个词汇表，词汇表包含了训练数据中所有的词汇，但不重复，相当于是所有词汇的一个集合，然后，对于每一个留言，建立一个与词汇表等长的向量，如果词汇表里的单词在留言中出现，那么向量中该单词的位置处的值就+1，这样就形成了一个文档向量。

def createVocabList(dataSet):#建立词汇表
    vocabSet=set([])
    for document in dataSet:
        vocabSet=vocabSet|set(document)
    return list(vocabSet)
def bagOfWords2VecMN(vocabList,inputSet):#将文档转换为文档向量
    returnVec=[0]*len(vocabList)
    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

def trainWords2Vec(dataSet,vocabList):#将文档转换为文档向量矩阵
    returnMat=[]
    for i in range(len(dataSet)):
        returnMat.append(setOfWords2Vec(vocabList,dataSet[i]))
    return returnMat

>>> trainMat=Bayes.trainWords2Vec(lp,mvolist)
>>> trainMat
[[0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 1], [0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 1, 1, 0, 1, 0, 1, 0, 1, 0, 0, 0], [1, 1, 0, 0, 0, 1, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1], [0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 1, 1, 0, 0, 0, 1, 0, 0, 0, 1, 1, 1], [0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0]]

下面介绍训练函数，代码如下：

def trainNB0(trainMatrix,trainCategory):#训练函数
    numTrainDocs=len(trainMatrix)
    numWords=len(trainMatrix[0])
    pAbusive=sum(trainCategory)/float(numTrainDocs)
    p0Num=np.ones(numWords)
    p1Num=np.ones(numWords)
    p0Denom=2.0
    p1Denom=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=np.log(p1Num/p1Denom)#词汇表中元素属于1的概率
    p0Vect=np.log(p0Num/p0Denom)#词汇表中元素属于0的概率
    return p0Vect,p1Vect,pAbusive

这里的p0Num和p1Num初始化为1，因为若为0，在后面概率相乘时，可能会得到后验概率为0，从而识别错误。

识别函数

def classifyNB(testVec,p0Vect,p1Vect,pClass):
    P1=sum(testVec*p1Vect)+np.log(pClass)
    P0=sum(testVec*p0Vect)+np.log(1-pClass)
    if P1>P0:
        return 1
    else:
        return 0

测试：

def testingNB():
    listPost,listClass=loadDataSet()
    myVocabList=createVocabList(listPost)
    trainMat=trainWords2Vec(listPost,myVocabList)
    p0V,p1V,pAb=trainNB0(trainMat,listClass)
    testEntry = ['love', 'my', 'dalmation']#测试数据
    thisDoc = np.array(setOfWords2Vec(myVocabList, testEntry))
    print testEntry,'classified as: ',classifyNB(thisDoc,p0V,p1V,pAb)
    testEntry = ['stupid', 'garbage']#测试数据
    thisDoc = np.array(setOfWords2Vec(myVocabList, testEntry))
    print testEntry,'classified as: ',classifyNB(thisDoc,p0V,p1V,pAb)

>>> Bayes.testingNB()
['love', 'my', 'dalmation'] classified as:  0
['stupid', 'garbage'] classified as:  1

这样，就可以对留言分类，是否是侮辱性言论。

下面一个例子是利用朴素贝叶斯分类过滤垃圾邮件

首先，生成训练数据，训练数据保存在email文件夹下，email文件夹下有两个文件夹，分别是ham和spam，ham中是25个txt格式的邮件，都不是垃圾邮件，spam中有25个txt格式的垃圾邮件。下面对邮件进行分类

def textParse(bigString):    #将输入字符串转换成字符列表
    import re
    listOfTokens = re.split(r'\W*', bigString)
    return [tok.lower() for tok in listOfTokens if len(tok) > 2] 
    
def spamTest():
    docList=[]; classList = []; fullText =[]
    for i in range(1,26):#导入文件
        wordList = textParse(open('email/spam/%d.txt' % i).read())#垃圾邮件
        docList.append(wordList)
        fullText.extend(wordList)
        classList.append(1)
        wordList = textParse(open('email/ham/%d.txt' % i).read())#非垃圾邮件
        docList.append(wordList)
        fullText.extend(wordList)
        classList.append(0)
    vocabList = createVocabList(docList)#创建包含所有字符的集合
    trainingSet = range(50); testSet=[]           
    for i in range(10):#测试数据，随机抽取
        randIndex = int(np.random.uniform(0,len(trainingSet)))
        testSet.append(trainingSet[randIndex])
        del(trainingSet[randIndex])  
    trainMat=[]; trainClasses = []
    for docIndex in trainingSet:#训练数据
        trainMat.append(bagOfWords2VecMN(vocabList, docList[docIndex]))
        trainClasses.append(classList[docIndex])
    p0V,p1V,pSpam = trainNB0(np.array(trainMat),np.array(trainClasses))
    errorCount = 0
    for docIndex in testSet:        #对测试数据测试
        wordVector = bagOfWords2VecMN(vocabList, docList[docIndex])
        if classifyNB(np.array(wordVector),p0V,p1V,pSpam) != classList[docIndex]:
            errorCount += 1
            print "classification error",docList[docIndex]
    print 'the error rate is: ',float(errorCount)/len(testSet)

>>> Bayes.spamTest()
the error rate is:  0.0
>>> Bayes.spamTest()
classification error ['home', 'based', 'business', 'opportunity', 'knocking', 'your', 'door', 'don', 'rude', 'and', 'let', 'this', 'chance', 'you', 'can', 'earn', 'great', 'income', 'and', 'find', 'your', 'financial', 'life', 'transformed', 'learn', 'more', 'here', 'your', 'success', 'work', 'from', 'home', 'finder', 'experts']
the error rate is:  0.1

测试结果如上，由于测试数据采用随机抽取的方式，所以测试的两次的结果都不相同，可以通过多次调用该函数，取平均值来作为识别率。