机器学习之——朴素贝叶斯算法

最新推荐文章于 2024-05-23 08:54:46 发布

榆树花

最新推荐文章于 2024-05-23 08:54:46 发布

阅读量161

点赞数 1

文章标签：机器学习算法人工智能

本文链接：https://blog.csdn.net/m0_63916929/article/details/134508611

版权

一、贝叶斯公式

贝叶斯公式又被称为贝叶斯规则，是概率统计中的应用所观察到的现象对有关概率分布的主观判断（先验概率）进行修正的标准方法。贝叶斯算法是一种强大的统计学方法，在机器学习中有着广泛的应用，特别是在分类、预测和推理等任务中。

1.条件概率

在贝叶斯算法中，条件概率是指在已知某些事件发生的前提下，其他事件发生的概率。条件概率在贝叶斯算法中起到了重要的作用，它被用于计算后验概率。

表达式：

P(B|A) = P(A∩B) / P(A)

2.先验概率与后验概率

先验概率：先验概率是在考虑任何观测数据之前，我们对事件发生概率的初始估计。它是基于以往的经验、知识或领域专家的判断所得出的。先验概率通常表示为P(A)，其中A是某个事件。

后验概率：后验概率是在考虑了新的观测数据之后，更新我们对事件发生概率的估计。它是根据贝叶斯定理计算得出的。后验概率通常表示为P(A|B)，其中A是某个事件，B是观测到的数据。

由先验概率到后验概率表达式：

$P(A|B) = (P(B|A) * P(A)) / P(B)$

P(A|B)表示在观测到数据B的情况下，事件A发生的概率；P(B|A)表示在事件A发生的条件下，观测到数据B的概率；P(A)表示事件A发生的先验概率；P(B)表示观测到数据B的概率。

3.贝叶斯定理：

贝叶斯定理是概率论中的一个重要定理，描述了在已知一些观测数据的情况下，如何更新对事件的概率估计。它是基于条件概率的计算规则，由英国数学家托马斯·贝叶斯提出。

贝叶斯定理表达式：

$[ P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)} ]$

其中，( P(A|B) ) 是在给定 B 的条件下 A 的概率，( P(B|A) ) 是在给定 A 的条件下 B 的概率，( P(A) ) 和 ( P(B) ) 分别是 A 和 B 的边际概率。

4.最大后验概率估计（MAP）

（1）根据贝叶斯定理，后验概率 P(θ|X) 可以通过先验概率 P(θ) 和似然概率 P(X|θ) 相乘并归一化得到：

$P(\theta|X) = \frac{P(\theta)P(X|\theta)}{P(X)}$

（2）MAP估计的目标是找到使得后验概率 P(θ|X) 最大化的参数 θ 的取值。根据贝叶斯定理，可以将目标转化为最大化后验概率的对数：

$\begin{aligned} \theta_{\text{MAP}} &= \operatorname*{argmax}_{\theta} P(\theta|X) \\ &= \operatorname*{argmax}_{\theta} \log P(\theta|X) \\ &= \operatorname*{argmax}_{\theta} \left( \log P(\theta) + \log P(X|\theta) - \log P(X) \right) \\ &= \operatorname*{argmax}_{\theta} \left( \log P(\theta) + \log P(X|\theta) \right) \end{aligned}$

（3）对于给定的样本集合 X，log(P(X)) 是一个常数，可以忽略。因此，我们可以简化为最大化先验概率和似然概率的对数之和：

$\theta_{\text{MAP}} = \operatorname*{argmax}_{\theta} \left( \log P(\theta) + \log P(X|\theta) \right)$

二、朴素贝叶斯算法

1.特性：

朴素贝叶斯算法假设在给定类别标签的情况下，特征之间相互独立。

2.思路：

在贝叶斯的基础上化简计算表达式，简化计算过程。

3.公式推导：

首先根据贝叶斯定理，我们可得：

$P(C|X) = P(X|C) * P(C) / P(X)$

接下来，引入朴素贝叶斯的条件独立性假设，即假设特征向量的各个特征之间是相互独立的。根据这个假设，可以将P(X|C)表示为各个特征的条件概率的乘积：

$P(X|C) = P(x1|C) * P(x2|C) * ... * P(xn|C)$

其中，x1, x2, ..., xn表示特征向量X的各个特征。

将上述结果代入贝叶斯定理中，得到朴素贝叶斯公式：

$P(C|X) = \frac{P(x_1|C) \cdot P(x_2|C) \cdots P(x_n|C) \cdot P(C)}{P(X)}$

注意P（X）是固定的，所以也可以表达为：

$P(C|X) = P(x1|C) * P(x2|C) * ... * P(xn|C) * P(C) / P(X)$

三、朴素贝叶斯实现垃圾邮件分类

1.实验步骤：

（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：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：构建一个完整的程序对一组文档进行分类。

2.代码实现：

1.收集数据：准备一个数据集email包括垃圾邮件与正常邮件

如图为一封正常邮件：

如图为一封垃圾邮件：

实验代码：

1.读取垃圾邮件与正常邮件的文本数据：

    docList = []
    classList = []
    fullText = []
    for i in range(1, 26):  # 遍历25个txt文件
        wordList = textParse(open('C:/Users/Yusua/Desktop/222/email/spam/%d.txt' % i, 'r',encoding='latin-1').read())  # 读取每个垃圾邮件，并字符串转换成字符串列表
        docList.append(wordList)
        fullText.append(wordList)
        classList.append(1)  # 标记垃圾邮件，1表示垃圾文件
        wordList = textParse(open('C:/Users/Yusua/Desktop/222/email/ham/%d.txt' % i, 'r',encoding='latin-1').read())  # 读取每个非垃圾邮件，并字符串转换成字符串列表
        docList.append(wordList)
        fullText.append(wordList)
        classList.append(0)  # 标记正常邮件，0表示正常文件
    print(docList)

2.对数据进行预处理，构建词汇表。

def createVocabList(dataSet):
    vocabSet = set([])  # 创建一个空的不重复列表
    for document in dataSet:
        vocabSet = vocabSet | set(document)  # 取并集
    return list(vocabSet)
 
 
 
def setOfWords2Vec(vocabList, inputSet):
    returnVec = [0] * len(vocabList)  # 创建一个其中所含元素都为0的向量
    for word in inputSet:  # 遍历每个词条
        if word in vocabList:  # 如果词条存在于词汇表中，则置1
            returnVec[vocabList.index(word)] = 1
        else:
            print("the word: %s is not in my Vocabulary!" % word)
    return returnVec  # 返回文档向量
 
 

def bagOfWords2VecMN(vocabList, inputSet):
    returnVec = [0] * len(vocabList)  # 创建一个其中所含元素都为0的向量
    for word in inputSet:  # 遍历每个词条
        if word in vocabList:  # 如果词条存在于词汇表中，则计数加一
            returnVec[vocabList.index(word)] += 1
    return returnVec  # 返回词袋模型

3.划分训练集与测试集，利用训练集训练贝叶斯分类器，得到愤怒类模型参数。

def trainNB0(trainMatrix, trainCategory):
    numTrainDocs = len(trainMatrix)  # 计算训练的文档数目
    numWords = len(trainMatrix[0])  # 计算每篇文档的词条数
    pAbusive = sum(trainCategory) / float(numTrainDocs)  # 文档属于垃圾邮件类的概率
    p0Num = np.ones(numWords)
    p1Num = np.ones(numWords)  # 创建numpy.ones数组,词条出现数初始化为1,拉普拉斯平滑
    p0Denom = 2.0
    p1Denom = 2.0  # 分母初始化为2 ,拉普拉斯平滑
    for i in range(numTrainDocs):
        if trainCategory[i] == 1:  # 统计属于侮辱类的条件概率所需的数据，即P(w0|1),P(w1|1),P(w2|1)···
            p1Num += trainMatrix[i]
            p1Denom += sum(trainMatrix[i])
        else:  # 统计属于非侮辱类的条件概率所需的数据，即P(w0|0),P(w1|0),P(w2|0)···
            p0Num += trainMatrix[i]
            p0Denom += sum(trainMatrix[i])
    p1Vect = np.log(p1Num / p1Denom)
    p0Vect = np.log(p0Num / p0Denom)  # 取对数，防止下溢出
    return p0Vect, p1Vect, pAbusive  # 返回属于正常邮件类的条件概率数组，属于侮辱垃圾邮件类的条件概率数组，文档属于垃圾邮件类的概率

def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
    # p1 = reduce(lambda x, y: x * y, vec2Classify * p1Vec) * pClass1  # 对应元素相乘
    # p0 = reduce(lambda x, y: x * y, vec2Classify * p0Vec) * (1.0 - pClass1)
    p1 = sum(vec2Classify * p1Vec) + np.log(pClass1)
    p0 = sum(vec2Classify * p0Vec) + np.log(1.0 - pClass1)
    if p1 > p0:
        return 1
    else:
        return 0

4.使用测试机对分类器测试，并计算分类的准确率。

    for docIndex in testSet:  # 遍历测试集
        wordVector = setOfWords2Vec(vocabList, docList[docIndex])  # 测试集的词集模型
        if classifyNB(np.array(wordVector), p0V, p1V, pSpam) != classList[docIndex]:  # 如果分类错误
            errorCount += 1  # 错误计数加1
            print("分类错误的测试集：", docList[docIndex])

实验结果：

3.完整代码

import numpy as np
import re
import random
 
 
def createVocabList(dataSet):
    vocabSet = set([])  # 创建一个空的不重复列表
    for document in dataSet:
        vocabSet = vocabSet | set(document)  # 取并集
    return list(vocabSet)
 

 
 
def setOfWords2Vec(vocabList, inputSet):
    returnVec = [0] * len(vocabList)  # 创建一个其中所含元素都为0的向量
    for word in inputSet:  # 遍历每个词条
        if word in vocabList:  # 如果词条存在于词汇表中，则置1
            returnVec[vocabList.index(word)] = 1
        else:
            print("the word: %s is not in my Vocabulary!" % word)
    return returnVec  # 返回文档向量
 
 
 
 
def bagOfWords2VecMN(vocabList, inputSet):
    returnVec = [0] * len(vocabList)  # 创建一个其中所含元素都为0的向量
    for word in inputSet:  # 遍历每个词条
        if word in vocabList:  # 如果词条存在于词汇表中，则计数加一
            returnVec[vocabList.index(word)] += 1
    return returnVec  # 返回词袋模型
 
 
 
 
def trainNB0(trainMatrix, trainCategory):
    numTrainDocs = len(trainMatrix)  # 计算训练的文档数目
    numWords = len(trainMatrix[0])  # 计算每篇文档的词条数
    pAbusive = sum(trainCategory) / float(numTrainDocs)  # 文档属于垃圾邮件类的概率
    p0Num = np.ones(numWords)
    p1Num = np.ones(numWords)  # 创建numpy.ones数组,词条出现数初始化为1,拉普拉斯平滑
    p0Denom = 2.0
    p1Denom = 2.0  # 分母初始化为2 ,拉普拉斯平滑
    for i in range(numTrainDocs):
        if trainCategory[i] == 1:  # 统计属于侮辱类的条件概率所需的数据，即P(w0|1),P(w1|1),P(w2|1)···
            p1Num += trainMatrix[i]
            p1Denom += sum(trainMatrix[i])
        else:  # 统计属于非侮辱类的条件概率所需的数据，即P(w0|0),P(w1|0),P(w2|0)···
            p0Num += trainMatrix[i]
            p0Denom += sum(trainMatrix[i])
    p1Vect = np.log(p1Num / p1Denom)
    p0Vect = np.log(p0Num / p0Denom)  # 取对数，防止下溢出
    return p0Vect, p1Vect, pAbusive  # 返回属于正常邮件类的条件概率数组，属于侮辱垃圾邮件类的条件概率数组，文档属于垃圾邮件类的概率
 
 
 
 
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
    # p1 = reduce(lambda x, y: x * y, vec2Classify * p1Vec) * pClass1  # 对应元素相乘
    # p0 = reduce(lambda x, y: x * y, vec2Classify * p0Vec) * (1.0 - pClass1)
    p1 = sum(vec2Classify * p1Vec) + np.log(pClass1)
    p0 = sum(vec2Classify * p0Vec) + np.log(1.0 - pClass1)
    if p1 > p0:
        return 1
    else:
        return 0
 
 
 
 
def textParse(bigString):  # 将字符串转换为字符列表
    listOfTokens = re.split('\\W+', bigString)  # 将特殊符号作为切分标志进行字符串切分，即非字母、非数字
    return [tok.lower() for tok in listOfTokens if len(tok) > 2]  # 除了单个字母，例如大写的I，其它单词变成小写
 
 

 
def spamTest():
    docList = []
    classList = []
    fullText = []
    for i in range(1, 26):  # 遍历25个txt文件
        wordList = textParse(open('C:/Users/Yusua/Desktop/222/email/spam/%d.txt' % i, 'r',encoding='latin-1').read())  # 读取每个垃圾邮件，并字符串转换成字符串列表
        docList.append(wordList)
        fullText.append(wordList)
        classList.append(1)  # 标记垃圾邮件，1表示垃圾文件
        wordList = textParse(open('C:/Users/Yusua/Desktop/222/email/ham/%d.txt' % i, 'r',encoding='latin-1').read())  # 读取每个非垃圾邮件，并字符串转换成字符串列表
        docList.append(wordList)
        fullText.append(wordList)
        classList.append(0)  # 标记正常邮件，0表示正常文件
    print(docList)
    vocabList = createVocabList(docList)  # 创建词汇表，不重复
    print(vocabList)
    trainingSet = list(range(50))
    testSet = []  # 创建存储训练集的索引值的列表和测试集的索引值的列表
    for i in range(10):  # 从50个邮件中，随机挑选出40个作为训练集,10个做测试集
        randIndex = int(random.uniform(0, len(trainingSet)))  # 随机选取索索引值
        testSet.append(trainingSet[randIndex])  # 添加测试集的索引值
        del (trainingSet[randIndex])  # 在训练集列表中删除添加到测试集的索引值
    trainMat = []
    trainClasses = []  # 创建训练集矩阵和训练集类别标签系向量
    for docIndex in trainingSet:  # 遍历训练集
        trainMat.append(setOfWords2Vec(vocabList, docList[docIndex]))  # 将生成的词集模型添加到训练矩阵中
        trainClasses.append(classList[docIndex])  # 将类别添加到训练集类别标签系向量中
    p0V, p1V, pSpam = trainNB0(np.array(trainMat), np.array(trainClasses))  # 训练朴素贝叶斯模型
    errorCount = 0  # 错误分类计数
    for docIndex in testSet:  # 遍历测试集
        wordVector = setOfWords2Vec(vocabList, docList[docIndex])  # 测试集的词集模型
        if classifyNB(np.array(wordVector), p0V, p1V, pSpam) != classList[docIndex]:  # 如果分类错误
            errorCount += 1  # 错误计数加1
            print("分类错误的测试集：", docList[docIndex])
    print('正确率：%.2f%%' % (float(errorCount) / len(testSet) * 100))

 
if __name__ == '__main__':
    spamTest()

四、实验小结

在完成本次实验中，在字符编码上出现问题，由于文件中存在一些非法符号，导致出现字符转换错误的问题，在详细查找后修改原文件中错误的非法符号，代码可以正常运行。

本次实验中，让我收获了贝叶斯公式实现的基本原理与实现过程，并且进一步地学习了朴素贝叶斯的推导实现过程，完成了简化并完成了贝叶斯公式对于分类问题的处理过程，更加清楚的认识了分类处理问题的解决方案。

榆树花

关注

1
点赞
踩
1

收藏

觉得还不错? 一键收藏
1
评论
机器学习之——朴素贝叶斯算法

贝叶斯公式又被称为贝叶斯规则，是概率统计中的应用所观察到的现象对有关概率分布的主观判断（先验概率）进行修正的标准方法。贝叶斯算法是一种强大的统计学方法，在机器学习中有着广泛的应用，特别是在分类、预测和推理等任务中。
复制链接

扫一扫