《机器学习实战》学习笔记：基于朴素贝叶斯的分类方法

概率是许多机器学习算法的基础，在前面生成决策树的过程中使用了一小部分关于概率的知识，即统计特征在数据集中取某个特定值的次数，然后除以数据集的实例总数，得到特征取该值的概率。

目录：

• 一.基于贝叶斯理论的分类方法

• 二.关于朴素贝叶斯的应用场景

• 三.基于Python和朴素贝叶斯的文本分类

  1.准备数据

  2.训练算法

  3.测试算法

• 四.小结

以下进入正文：

一.基于贝叶斯理论的分类方法

假设有两类数据组成的数据集如下：

其中，假设两个概率分布的参数已知，并用p1(x,y)表示当前数据点(x,y)属于类别一的概率；用p2(x,y)表示当前数据点(x,y)属于类别二的概率。

贝叶斯决策理论的核心思想是：选择高概率所对应的类别，选择具有最高概率的决策。有时也被总结成“多数占优”的原则。

具体到实例，对于一个数据点(x,y)，可以用如下规则判定它的类别：

若p1(x,y)>p2(x,y)，那么点(x,y)被判定为类别一。
若p1(x,y)<p2(x,y)，那么点(x,y)被判定为类别二。

当然，在实际情况中，单单依靠以上的判定无法解决所有的问题，因为以上准则还不是贝叶斯决策理论的所有内容，使用p1(x,y)和p2(x,y) 只是为了简化描述。更多的，我们使用p(ci|x,y) 来确定给定坐标的点(x,y)，该数据点来自类别ci的概率是多少。具体地，应用贝叶斯准则可得到，该准则可以通过已知的三个概率值来计算未知的概率值：

则以上判定法则可转化为：

若p(c1|x,y)>p(c2|x,y)，那么点(x,y)被判定为类别一。
若p(c1|x,y)<p(c2|x,y)，那么点(x,y)被判定为类别二。

二.关于朴素贝叶斯的应用场景

机器学习的一个重要应用就是文档的自动分类，而朴素贝叶斯正是文档分类的常用算法。基本步骤是遍历并记录下文档中出现的词，并把每个词的出现或者不出现作为一个特征。这样便有跟文档中出现过词汇的个数一样多的特征。若有大量特征时，使用直方图效果更好。以下是朴素贝叶斯的一般过程：

1. 收集数据：这里使用RSS源
2. 准备数据：需要数值型&布尔型数据
3. 分析数据：有大量特征时，绘制特征的作用不大，此时使用直方图效果更好
4. 训练算法：计算不同的独立特征的条件概率
5. 测试算法：计算错误率
6. 使用算法：如文档分类

讲到这里，你也许还会带着疑问，为什么贝叶斯前会加上“朴素”，其实，这是基于朴素贝叶斯的一个假设，即：特征之间相互（统计意义上）独立，如一个单词出现的可能性与其他单词相邻没有关系，当然这在实际情况中不一定是正确的，但无数实验表明，这种假设是有必要的，而且朴素贝叶斯的实际效果其实很好。

朴素贝叶斯的另外一个假设是：每个特征同等重要。当然，这个假设也有问题（不然就不叫假设了……），但确实有用的假设。

三.基于Python和朴素贝叶斯的文本分类

从文本中提取特征，首先需要将文本进行拆分，转化为词向量，某个词存在表示为1，不存在表示为0，这样，原来一大串字符串便转为简单的0，1序列的向量。这种情况下只考虑某个词是否出现，当然，你也可以使用记录词的出现次数作为向量，或者记录不同词出现的频率等等。

1.准备数据：从文本中构建词向量，这里考虑出现在所有文档中的所有单词，并将每一篇文档转化为词汇表上的向量。下面的代码实现了功能，其中：

函数loadDataSet() 创建了一些实验样本postingList和对应的标签listClass，有一些样本被标签为带有侮辱性文字；
函数