用Python实现朴素贝叶斯分类器（MNIST数据集）代码解析

Python 实现朴素贝叶斯分类器代码解析

最近在学李航博士的《统计学习方法》，wds2006sdo在自己的博客中给出了具体实现的算法，但是由于相关改动，代码放到python3中会有很多地方报错，本篇文章将修改正确后的代码pow出来，并且给与详细的解析。

---

代码解析

首先给出原代码链接：raw_code
下文首先会给出修改后的正确代码和代码的详细解释，最后给出具体的修改细节说明

数据读取

 print ('Start read data')

    time_1 = time.time()

    raw_data = pd.read_csv('resouce/data/train.csv',header=0)
    data = raw_data.values

    imgs = data[0::,1::]
    labels = data[::,0]

    # 选取 2/3 数据作为训练集， 1/3 数据作为测试集
    train_features, test_features, train_labels, test_labels = train_test_split(imgs, labels, test_size=0.33, random_state=23323)
    # print train_features.shape
    # print train_features.shape

    time_2 = time.time()
    print ('read data cost ',time_2 - time_1,' second','\n')
    print ('Start training')
    prior_probability,conditional_probability = Train(train_features,train_labels)

使用 pd.read_csv 函数读取相对路径 ‘resouce/data/train.csv’ 的数据文件 train.csv，读取到的数据存储在data中，并分离出图像数据和标签数据，分别保存与 imgs 和 labels 变量中。

用 print 查看imgs和labels的具体shape，可得 imgs 和 labels 个数为42000个，imgs的特征(feature)有784个。

使用 train_test_split 将数据集，标签集分为训练集和测试集，其中 2/3 数据作为训练集， 1/3 数据作为测试集

训练数据

def Train(trainset,train_labels):
    prior_probability = np.zeros(class_num)                         # 先验概率
    conditional_probability = np.zeros((class_num,feature_len,2))   # 条件概率

    # 计算先验概率及条件概率
    for i in range(len(train_labels)):
        img = binaryzation(trainset[i])     # 图片二值化
        label = train_labels[i]

        prior_probability[label] += 1 #统计label标签，对应值的prior_probability[label]加一（用作统计）

        for j in range(feature_len):
            conditional_probability[label][j][img[j]] += 1#统计特征的个数，在标签为label的条件下，第j个特征（j属于0~784）的[img[j]]取值加一(用作统计)

    # 将概率归到[1.10001]
    for i in range(class_num):
        for j in range(feature_len):

            # 经过二值化后图像只有0，1两种取值
            pix_0 = conditional_probability[i][j][0] #在标签为i的情况下(label取值0～9)，第j个特征(feature取值0～784)为0的个数为pix_0
            pix_1 = cdef Train(trainset,train_labels):
    prior_probability = np.zeros(class_num)                         # 先验概率
    conditional_probability = np.zeros((class_num,feature_len,2))   # 条件概率

    # 计算先验概率及条件概率
    for i in range(len(train_labels)):
        img = binaryzation(trainset[i])     # 图片二值化
        label = train_labels[i]

        prior_probability[label] += 1 #统计label标签，对应值的prior_probability[label]加一（用作统计）

        for j in range(feature_len):
            conditional_probability[label][j][img[j]] += 1#统计特征的个数，在标签为label的条件下，第j个特征（j属于0~784）的[img[j]]取值加一(用作统计)

    # 将概率归到[1.10001]
    for i in range(class_num):
        for j in range(feature_len):
像素点对应的条件概率
            probalility_0 = (float(pix_0)/float(pix_0+pix_1))*1000000 + 1
            probalility_1 = (float(pix_1)/float(pix_0+pix_1))*1000000 + 1

            conditional_probability[i][j][0] = probalility_0
            conditional_probability[i][j][1] = probalility_1

    return prior_probability,conditional_probability

其中 prior_probability 和 conditional_probability 保存先验概率和后验概率。
binaryzation() 函数将 img 二值化，具体的函数定义如下：

def binaryzation(img):
    cv_img = img.astype(np.uint8)
    cv2.threshold(cv_img,50,1,cv2.THRESH_BINARY_INV,cv_img)#这个地方python3应该使用cv2.THRESH_BINARY_INV
    #处理后在每个img中（784个特征），value大于50的特征判断为0，小于50的为1
    return cv_img

其中 threshold 的函数为图像阈值处理函数，具体函数细节见博客：图像阈值处理
这里有一处需要修改的地方：

图像阈值修改

原代码为：

def binaryzation(img):
    cv_img = img.astype(np.uint8)
    cv2.threshold(cv_img,50,1,cv2.cv.CV_THRESH_BINARY_INV,cv_img)
    return cv_img

其中 cv2.cv.CV_THRESH_BINARY_INV 报错
修改为 cv2.THRESH_BINARY_INV即可

预测数据

def Predict(testset,prior_probability,conditional_probability):
    predict = []

    for img in testset:

        # 图像二值化
        img = binaryzation(img)

        max_label = 0
        max_probability = calculate_probability(img,0)

        for j in range(1,10):
            probability = calculate_probability(img,j)

            if max_probability < probability:
                max_label = j
                max_probability = probability

        predict.append(max_label)

    return np.array(predict)

预测函数比较简单，因为img的标签label的取值为1到9，因此用一个for循环跑range(1,10)然后用max_label存储概率最高的标签，max_probability 保存计算出的后验概率。其中calculate_probability()是计算后验概率。

计算后验概率

def calculate_probability(img,label):
    probability = int(prior_probability[label])

    for i in range(len(img)):
        probability *= int(conditional_probability[label][i][img[i]])

    return probability

这里使用联乘基于以下公式

库文件修改

在python3.6中sklearn已弃用train_test_split，导致导入报错
因此若使用raw_code的你可能会遇到这种问题：

此处将代码修改为：

import pandas as pd
import numpy as np
import cv2
import random
import time

from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

即用sklearn.model_selection 代替原来的cross_validation

---

总结：整体还是很好理解的，代码也很好，但是由于没有注解，撸代码的时候有点吃力，也是为了帮帮需要的人吧，写了这篇blog。当然还有最后一个修改，所有的print要带括号