朴素贝叶斯(naive Bayes)算法是基于贝叶斯定理与特征条件独立假设的分类方法,对于给定的训练数据集,首先基于特征条件独立假设学习输入/输出的联合概率分布,然后基于此模型,对给定的输入x,利用贝叶斯定理求出后验概率最大的输出y,朴素贝叶斯法实现简单,学习与预测的效率都很高,是一种常见的方法。
朴素贝叶斯(naive Bayes)算法是有监督的学习算法,解决的是分类问题,如客户是否流失、是否值得投资、信用等级评定等多分类问题。该算法的优点在于简单易懂、学习效率高、在某些领域的分类问题中能够与决策树、神经网络相媲美。但由于该算法以自变量之间的独立(条件特征独立)性和连续变量的正态性假设为前提,就会导致算法精度在某种程度上受影响。
1.基于贝叶斯决策理论的分类方法
用p1(x,y)表示数据点(x,y)属于类别1的概率
p1(x,y表示数据点(x,y)属于类别0的概率
如果p1(x,y)> p0(x,y) ,那么为类别1
如果p1(x,y)< p0(x,y) ,那么为类别0
即选择高概率类别,这就是贝叶斯决策理论的核心思想
利用贝叶斯准则:
如果p(c1|x,y) > p(c0|x,y) ,那么属于类别1
如果p(c1|x,y) < p(c0|x,y) ,那么属于类别0
- 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
2.2.1条件概率
条件概率:
P(gray|bucketB) = P(gray and bucketB)/P(bucketB)
贝叶斯准则(交换条件概率中的条件与结果):
p(a|x) = p(x|a) p(a) / p(x)
2.2.2全概率公式
除了条件概率以外,在计算p1和p2的时候,还要用到全概率公式,因此,这里继续推导全概率公式。
P(B)=P(B⋂A)+P(B⋂A′)P(B)=P(B⋂A)+P(B⋂A′)
已知:
P(B⋂A)=+P(B|A)P(A)P(B⋂A)=+P(B|A)P(A)
故全概率公式为:
P(B)=P(B|A)P(A)+P(B|A′)P(A′)P(B)=P(B|A)P(A)+P(B|A′)P(A′)
其含义为:如果AA和A′A′构成一个样本空间的一个划分,那么事件BB的概率就等于AA和A′A′的概率分别乘以BB对这两个事件的条件概率之和。
于是条件概率就有了另一种写法:
P(A|B)=P(B|A)P(A)P(B|A)P(A)+P(B|A′)P(A′)
3.使用python进行文本分类
要从文本中获取特征:(1)拆分文本;(2)一个文本片段——>一个词条向量,1表示词条出现在文档中,0表示未出现。
例:社区留言板屏蔽侮辱性言论
构建快速过滤器:留言使用了负面或者侮辱性语言——>标识为内容不当。
类别:侮辱类和非侮辱类(用1和0分别表示)
准备数据:从文本中构建词向量
将句子转换为向量:(1)考虑所有文档中出现的所有单词;(2)决定将哪些词纳入词汇表;(3)将每一篇文档转换为词汇表上的向量。
##词表到向量的转换函数
def loadDataSet():
postingList = [['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'],
['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'],
['my', 'dalmation', 'is', 'so', 'cute', 'I',