朴素:因为整个形式化过程,只做最原始、最简单的假设。
可利用Python的文本处理能力,将文档切分成词向量,然后利用词向量对文档进行分类。
优点:数据少有效,可处理多类别。
缺点:只适合,标称型数据。
核心思想:选择具有最高概率的决策。
使用朴素贝叶斯进行文档分类:
在文档分类中,整个文档是实例,而电子邮件中的某些元素则构成特征。
准备数据:可使用数值型或布尔型数据;分析数据:使用直方图;训练算法:计算特征的条件概率;测试算法:计算错误率;使用算法:可以在任意场景下使用。
若每个特征需要N个样本,那么1000个特征,就需要个样本。若特征之间相互独立,样本数则减少到1000xN;
编程假定:每个特征同等重要。
使用Python进行文本分类:
以在线社区留言板为例,构建步骤:
1、建立两个类别:侮辱类和非侮辱类,使用1和0分别表示,将文本转化为数字向量。2、然后基于这些向量,计算条件概率。
准备数据:从文本中构建词向量:
def loadDataSet():
# 进行词条切分后的文档集合
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']]
# 类别标签的集合,由人工标注
classVec = [0, 1, 0, 1, 0, 1] # 1 代表侮辱性文字, 0 代表正常言论
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
for document in dataSet:
vocabSet = vocabSet | set(document) # 创建两个集合的并集
return list(vocabSet)
# 将给定的inputSet代表的文章,转化成词向量
def setOfWords2Vec(vocabList, inputSet):
returnVec = [0] * len(vocabList)
for word in inputSet:
if word in vocabList:
returnVec[vocabList.index(word)] = 1
else:
print
"the word: %s is not in my Vocabulary!" % word
return returnVec
训练算法:从词向量计算概率:
计算公式:
p(ci):类别i中的文档数,除以总的文档数。
且w可展开为一个个独立特征,那么就可以将上述概率写作:=
某一类别条件下,各个特征的概率计算:
# trainCategory类别标签所构成的向量
def trainNB0(trainMatrix, trainCategory):
numTrainDocs = len(trainMatrix) # 文档矩阵行数
numWords = len(trainMatrix[0]) # 一篇文档包含的词数
# 任意文档属于侮辱性文档的概率
pAbusive = sum(trainCategory) / float(numTrainDocs)
p0Num = ones(numWords) #防止某个条件概率为0
p1Num = ones(numWords)
p0Denom = 2.0
p1Denom = 2.0
for i in range(numTrainDocs):
if trainCategory[i] == 1: # 如果是侮辱性文档
p1Num += trainMatrix[i]
p1Denom += sum(trainMatrix[i])
else:
p0Num += trainMatrix[i]
p0Denom += sum(trainMatrix[i])
p1Vect = log(p1Num / p1Denom) # 在侮辱性类别的条件下,各个特征的概率 p(wi|c1)
p0Vect = log(p0Num / p0Denom) # 在正常类别的条件下,各个特征的概率 p(wi|c0)
return p0Vect, p1Vect, pAbusive
测试算法:根据现实情况修改分类器:
在对文档进行分类时,计算多个概率的乘积,以获得文档属于某个类别的概率:
太多很小的数相乘,会造成程序下溢出。可对乘积取自然对数。
ln(a*b) = ln(a) + ln(b) # 且f(x)和ln(f(x)),在相同区域内,有相同的单调性,且在同一点处取到极值。
使用分类器:
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
# 遍历函数
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))
ps:sum(vec2Classify * p1Vec)为某一特征出现的概率,乘以在侮辱类别的条件特征出现的概率。
但为啥后面还要加上log(pClass1)?
准备数据:文档词袋模型:
词集模型:将每个词的出现与否作为一个特征。
词袋模型:在词袋中,每个单词可以出现多次。
词袋模型代码:
def bagOfWords2VecMN(vocabList, inputSet):
returnVec = [0] * len(vocabList)
for word in inputSet:
if word in vocabList:
returnVec[vocabList.index(word)] += 1
return returnVec
使用朴素贝叶斯过滤垃圾邮件:
(1)提供文本文件;(2)将文本本间解析成词条向量,检查词条确保解析正确性;(3)使用trainNB0()函数;
(4)使用classifyNB(),计算文档集的错误率;(5)对一组文档进行分类。
留存交叉验证(hold-out cross validation):随机选择数据的一部分作为训练集,而剩余部分作为测试集。
def textParse(bigString):
import re
listOfTokens = re.split(r'\W*', bigString)
return [tok.lower() for tok in listOfTokens if len(tok) > 2]
def spamTest():
docList = []
classList = []
fullText = []
for i in range(1, 26):
wordList = textParse(open('email/spam/%d.txt' % i).read())
docList.append(wordList) # 构建多个文档
fullText.extend(wordList) # 构建单词集合
classList.append(1) # 对应的文档,分类标记为垃圾邮件
wordList = textParse(open('email/ham/%d.txt' % i).read())
docList.append(wordList)
fullText.extend(wordList)
classList.append(0) # 对应的文档,分类标记为普通邮件
vocabList = createVocabList(docList) # 获取单词集合
trainingSet = range(50) # 构建训练集标号(0-49)
testSet = [] # 构建测试集标号
# 随机选择10封电子邮件
for i in range(10):
randIndex = int(random.uniform(0, len(trainingSet)))
testSet.append(trainingSet[randIndex])
del (trainingSet[randIndex]) # 将选中的标号,从训练集标号中删除
trainMat = []
trainClasses = []
for docIndex in trainingSet:
# 遍历训练集所有文档
trainMat.append(bagOfWords2VecMN(vocabList, docList[docIndex]))
trainClasses.append(classList[docIndex])
p0V, p1V, pSpam = trainNB0(array(trainMat), array(trainClasses))
errorCount = 0
for docIndex in testSet:
# 将训练集转化为词向量
wordVector = bagOfWords2VecMN(vocabList, docList[docIndex])
if classifyNB(array(wordVector), p0V, p1V, pSpam) != classList[docIndex]:
errorCount += 1
print("classification error", docList[docIndex])
print('the error rate is: ', float(errorCount) / len(testSet))
ps:将垃圾邮件误判为正常邮件,要比将正常邮件归到垃圾邮件好。
使用朴素贝叶斯分类器,从个人广告中获取区域倾向:
收集数据:从RSS源收集内容,对RSS源构建一个接口。可修改切分程序,以降低错误率,提高分类结果。