机器学习算法与Python实践(14) - 朴素贝叶斯(Naive Bayesian Mode)

机器学习算法与Python实践(14) - 朴素贝叶斯(Naive Bayesian Mode)

这边文章是关于朴素贝叶斯相关的一些原理知识的介绍以及python代码的展示，这篇文章并非原创，但是这个博主讲述的方式十分的通俗易懂，所以就打算转载这个博主的这篇博客了

一、朴素贝叶斯的算法原理

1.1 概述

贝叶斯分类算法是一大类分类算法的总称

贝叶斯分类算法以样本可能属于某类的概率来作为分类依据

朴素贝叶斯分类算法是贝叶斯分类算法中最简单的一种

注：朴素的意思是条件概率独立性

$P(A|x_1{x}_2{x}_3{x}_4)=p(A|x_1)\ast p(A|x_2)\ast p(A|x_3)\ast p(A|x_4)$则为条件概率独立

$P(xy|z)=\frac{p(xyz)}{p(z)}=\frac{p(xz)}{p(z)}\ast \frac{p(yz)}{p(z)}$

1.2 算法思想

朴素贝叶斯的思想是这样的：

如果一个事物在一些属性条件发生的情况下，事物属于A的概率>属于B的概率，则判定事物属于A。

通俗来说 比如：你在街上看到一个黑人，我让你猜这哥们哪里来的，你十有八九猜非洲。为什么呢？

在你的脑海中，有这么一个判断流程：

1、这个人的肤色是黑色 <特征>

2、黑色人种是非洲人的概率最高 <条件概率：黑色条件下是非洲人的概率>

3、没有其他辅助信息的情况下，最好的判断就是非洲人

这就是 朴素贝叶斯的思想基础 。

再稍微扩展一下：

假如在街上看到一个黑人讲英语，那我们是怎么去判断他来自于哪里？

提取特征：

肤色： 黑

语言： 英语

黑色人种来自非洲的概率： 80%

黑色人种来自于美国的概率：20%

讲英语的人来自于非洲的概率：10%

讲英语的人来自于美国的概率：90%

在我们的自然思维方式中，就会这样判断：

这个人来自非洲的概率：80% * 10% = 0.08

这个人来自美国的概率：20% * 90% =0.18

我们的判断结果就是：此人来自美国！

其蕴含的数学原理如下：

$p(A|xy)=\frac{p(Axy)}{p(xy)}=\frac{p(Axy)}{p(x)p(y)}=\frac{p(A)}{p(x)}\ast \frac{p(A)}{p(y)}\ast \frac{p(xy)}{p(xy)}=p(A|x)p(A|y)$

$P(类别|特征)=P(特征|类别)\ast \frac{P(类别)}{P(特征)}$

1.3 算法思路

• 分解各类先验样本中的数据特征

• 计算各类数据中，各特征的条件概率
  （比如：特征1出现的情况下，属于A类的概率p(A|特征1)，属于B类的概率p(B|特征1)，属于C类的概率p(C|特征1)…）

• 分解待分类数据中的特征（特征1，特征2，特征3，特征4）

• 计算各特征的各条件概率的乘积，如下所示：

  判断为A类的概率：$p(A|特征1)\ast p(A|特征2)\ast p(A|特征3)\ast p(A|特征4).....$

  判断为B类的概率：$p(B|特征1)\ast p(B|特征2)\ast p(B|特征3)\ast p(B|特征4).....$

  判断为C类的概率：$p(C|特征1)\ast p(C|特征2)\ast p(C|特征3)\ast p(C|特征4).....$

  $......$

• 结果中的最大值就是该样本所属的类别

1.4 真实案例分析以及python代码实现

1.41 案例详情

大众点评、淘宝等电商上都会有大量的用户评论，比如：

评价内容	评论分类
1.衣服质量太差了！！！！颜色根本不纯！！！	0
2.我有一有种上当受骗的感觉！！！！	0
3.质量太差，衣服拿到手感觉像旧货！！！	0
4.上身漂亮，合身，很帅，给卖家点赞	1
5.穿上衣服帅呆了，给点一万个赞	1
6.我在他家买了三件衣服！！！！质量都很差！	0

其中$1/2/3/6$是差评，$4/5$是好评

现在需要使用朴素贝叶斯分类算法来自动分类其他的评论，比如：

评论内容	评论分类
a、这么差的衣服以后再也不买了
b、帅，有逼格
……

1.4.2 设计算法流程

• 分解出先验数据中的各特征

  （即分词，比如“衣服”“质量太差”“差”“不纯”“帅”“漂亮”，“赞”……）

• 计算各类别（好评、差评）中，各特征的条件概率

  （比如 p(“衣服”|差评)、p(“衣服”|好评)、p(“差”|好评) 、p(“差”|差评)……）

• 分解出待分类样本的各特征

  （比如分解a： “差” “衣服” ……）

• 计算类别概率

  P(好评) = p(好评|“差”) p(好评|“衣服”)……

  P(差评) = p(差评|“差”) p(差评|“衣服”)……

• 显然P(差评)的结果值更大，因此a被判别为“差评”

1.4.3 分类计算案例

大体计算方法：

$P(好评|单词1,单词2,单词3)=\frac{P(单词1,单词2,单词3|好评)\ast P(好评)}{P(单词1,单词2,单词3)}$

因为分母都相同，所以只用比较分子即可：$P(单词1,单词2,单词3|好评)\ast P(好评)$

每个单词之间都是相互独立的：$P(单词1|好评)\ast P(单词2|好评)\ast P(单词3|好评)\ast P(好评)$

$P(单词1|好评)=\frac{单词1在样本好评中出现的总次数}{样本好评句子中总的单词数}$

$P(好评)=\frac{样本好评的条数}{样本的总条数}$

同理：

$P(差评|单词1，单词2，单词3)=\frac{P(单词1，单词2，单词3|差评)\ast P(差评)}{P(单词1，单词2，单词3)}$

因为分母都相同，所以只用比较分子即可：$P(单词1，单词2，单词3|差评)\ast P(差评)$

每个单词之间都是相互独立的：$P(单词1|差评)\ast P(单词2|差评)\ast P(单词3|差评)\ast P(差评)$

#!/usr/bin/python
# coding=utf-8
from numpy import *


# 过滤网站的恶意留言  侮辱性：1     非侮辱性：0
# 创建一个实验样本
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]
    return postingList, classVec


# 创建一个包含在所有文档中出现的不重复词的列表
def createVocabList(dataSet):
    vocabSet = set([])  # 创建一个空集
    # print(type(vocabSet))
    for document in dataSet:
        vocabSet = vocabSet | set(document)  # 创建两个集合的并集
    print('vocabSet:', list(vocabSet))
    print(len(vocabSet))
    return list(vocabSet)


# 将文档词条转换成词向量
def setOfWords2Vec(vocabList, inputSet):
    # print(vocabList)
    # print(inputSet)
    # print('-' * 100)
    returnVec = [0] * len(vocabList)  # 创建一个其中所含元素都为0的向量
    for word in inputSet:
        if word in vocabList:
            # returnVec[vocabList.index(word)] = 1     # index函数在字符串里找到字符第一次出现的位置  词集模型
            returnVec[vocabList.index(word)] += 1  # 文档的词袋模型    每个单词可以出现多次
        else:
            print("the word: %s is not in my Vocabulary!" % word)
    # print('returnVec:', returnVec)
    # print(len(returnVec))
    return returnVec


# 朴素贝叶斯分类器训练函数   从词向量计算概率
def trainNB0(trainMatrix, trainCategory):
    print('-' * 10)
    print(trainMatrix)
    print(trainCategory)
    numTrainDocs = len(trainMatrix)
    print(numTrainDocs)
    numWords = len(trainMatrix[0])
    print(numWords)
    pAbusive = sum(trainCategory) / float(numTrainDocs)
    print(pAbusive)
    # p0Num = zeros(numWords); p1Num = zeros(numWords)
    # p0Denom = 0.0; p1Denom = 0.0
    p0Num = ones(numWords)  # 避免一个概率值为0,最后的乘积也为0
    p1Num = ones(numWords)  # 用来统计两类数据中，各词的词频
    p0Denom = 2.0  # 用于统计0类中的总数
    p1Denom = 2.0  # 用于统计1类中的总数
    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 = p1Num / p1Denom
            # p0Vect = p0Num / p0Denom
    p1Vect = log(p1Num / p1Denom)  # 在类1中，每个词的发生概率
    p0Vect = log(p0Num / p0Denom)  # 避免下溢出或者浮点数舍入导致的错误   下溢出是由太多很小的数相乘得到的
    print('-' * 10)

    return p0Vect, p1Vect, pAbusive


# 朴素贝叶斯分类器
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
    p1 = sum(vec2Classify * p1Vec) + log(pClass1)
    p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1)
    if p1 > p0:
        return 1
    else:
        return 0


def testingNB():
    listOPosts, listClasses = loadDataSet()
    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, 'classified as: ', classifyNB(thisDoc, p0V, p1V, pAb))
    testEntry = ['stupid', 'garbage']
    thisDoc = array(setOfWords2Vec(myVocabList, testEntry))
    print(testEntry, 'classified as: ', classifyNB(thisDoc, p0V, p1V, pAb))


if __name__ == '__main__':
    testingNB()

结果如下：

参考博客：https://www.cnblogs.com/ahu-lichang/p/7157855.html