朴素贝叶斯(Naive Bayes)是一种基于贝叶斯定理的概率分类算法。它被称为"朴素"是因为该算法做出了一个简化的假设:假设所有特征之间是独立的。尽管这个假设并不符合实际情况,但在很多实际问题中,朴素贝叶斯仍然能产生可靠的结果。
基于贝叶斯决策理论的分类方法
我们现在用表示数据点
属于类别1(圆点)的概率,用
表示数据点
属于类别2(三角形)的概率,那么对于一个新数据点
,可以用下面的规则来判断它的类别:
如果p1(x,y)>p2(x,y),那么类别为1
如果p1(x,y)<p2(x,y),那么类别为2
也就是说,我们会选择高概率对应的类别.这就是贝叶斯决策理论的核心思想,即选择最高概率的决策。
条件概率
根据上述决策理论,可以定义贝叶斯分类准则:
如果,那么属于类别
如果,那么属于类别
将公式中的x、y替换为w,w表示一个向量,它由多个数值组成。
如果将w 展开为一个个独立特征,并假设特征之间相互独立,那么意味着可以用来计算上述概率,以此达到简化计算的目的。
具体代码实现
构建实验样本
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]#类别标签向量,1代表侮辱性词汇,0代表不是
return postingList,classVec
创建词汇表并去重
def creatVocabList(dataset):#去重创建词汇表
vocabset = set([])
for document in dataset:
vocabset = vocabset | set(document)
return list(vocabset)
输出文档向量,向量的每一元素为1或0,1表示词汇表中的单词在输入文档中出现
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
计算属于侮辱类的概率pAb、侮辱类的词汇表中单词出现的概率p1V、非侮辱类的词汇表中单词出现的概率p0V,并通过取自然对数将相乘变为相加,避免了下溢出。
from numpy import*
def trainNB0(trainMatrix,trainCategory):
numTrainDocs = len(trainMatrix)
numWords = len(trainMatrix[0])
pAbusive = sum(trainCategory)/float(numTrainDocs)
p0Num = ones(numWords); p1Num = ones(numWords)#p0Num = zeros(numWords); p1Num = zeros(numWords)
p0Denom = 2.0; p1Denom = 2.0#p0Denom = 0.0; p1Denom = 0.0
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 = log(p1Num/p1Denom)# p1Vect = p1Num/p1Denom
p0Vect = log(p0Num/p0Denom)#p1Vect = p0Num/p0Denom
return p0Vect,p1Vect,pAbusive
p0Num = ones(numWords); p1Num = ones(numWords)#p0Num = zeros(numWords); p1Num = zeros(numWords)
p0Denom = 2.0; p1Denom = 2.0#p0Denom = 0.0; p1Denom = 0.0
这里使用了拉普拉斯平滑,在计算多个概率乘积时如,如果其中一个概率为0,那么最后乘积也为0,这明显是不合理的。为降低这种影响,可以将所有词的出现次数初始化为1,并将分母初始化为2。
将文档向量组合为trainMat矩阵,并计算p0V、p1V、pAb,结果如图所示:
trainMat = []
for postinDoc in listOPosts:
trainMat.append(setOfWords2Vec(myVocabList,postinDoc))
p0V,p1V,pAb=trainNB0(trainMat,listClasses)
根据贝叶斯决策理论进行类别的判别,这里取自然对数后,原本的概率相乘变为了数值相加
def classifyNB(vec2Classify,p0Vec,p1Vec,pClass1):
p1 = sum(vec2Classify * p1Vec) + log(pClass1)#取自然对数后相乘变相加
p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1)
if p1>p0:
return 1
else:
return 0
最后对分类效果进行验证
def testingNB():
listOPosts,listClasses = loadDataSet()
myVocabList = creatVocabList(listOPosts)
trainMat = []
for postinDoc in listOPosts:
trainMat.append(setOfWords2Vec(myVocabList,postinDoc))
p0V,p1V,pAb=trainNB0(array(trainMat),array(listClasses))
testEntry = ['love', 'my', 'dalmation']#sample1
thisDoc = array(setOfWords2Vec(myVocabList, testEntry))
if classifyNB(thisDoc,p0V,p1V,pAb):
print(testEntry,'含侮辱词汇')
else:
print(testEntry,'不含侮辱词汇')
testEntry = ['stupid', 'garbage']#sample2
thisDoc = array(setOfWords2Vec(myVocabList, testEntry))
if classifyNB(thisDoc,p0V,p1V,pAb):
print(testEntry,'含侮辱词汇')
else:
print(testEntry,'不含侮辱词汇')
结果如图所示