机器学习（三）——朴素贝叶斯（Naive Bayesian）

最新推荐文章于 2022-10-18 18:26:51 发布

qq_40296818

最新推荐文章于 2022-10-18 18:26:51 发布

阅读量813

点赞数

分类专栏：机器学习文章标签：朴素贝叶斯算法机器学习 python 算法

本文链接：https://blog.csdn.net/qq_40296818/article/details/113528312

版权

机器学习专栏收录该内容

3 篇文章 0 订阅

订阅专栏

机器学习（三）——朴素贝叶斯（Naive Bayesian）

一、算法简介
- 1.1 概念
二、朴素贝叶斯理论
三、动手实战——评论过滤器
四、总结
- 优点
- 缺点

一、算法简介

1.1 概念

决策树（Naive Bayesian）是朴素贝叶斯算法是有监督的学习算法，解决的是分类问题，如客户是否流失、是否值得投资、信用等级评定等多分类问题。

二、朴素贝叶斯理论

朴素贝叶斯是贝叶斯决策理论的一部分，所以在讲述朴素贝叶斯之前有必要快速了解一下贝叶斯决策理论。贝叶斯决策理论的核心思想，即选择具有最高概率的决策。

2.1 条件概率

条件概率(Conditional probability)，就是指在事件B发生的情况下，事件A发生的概率，用P(A|B)来表示。
groot
根据文氏图可以看到在事件B发生的情况下，事件A发生的概率就是P(A∩B)/P(B)。
groot
因此：
groot
同理：
groot
所以：
groot
即：
groot
这就是条件概率的计算公式。

2.2 全概率公式

如果A和A’构成样本空间的一个划分，那么事件B的概率，就等于A和A’的概率分别乘以B对这两个事件的条件概率之和。
groot

2.3 贝叶斯推断

对条件概率公式进行变形：
groot
P(A)称为"先验概率"（Prior probability），即在B事件发生之前，我们对A事件概率的一个判断。
P(A|B)称为"后验概率"（Posterior probability），即在B事件发生之后，我们对A事件概率的重新评估。
P(B|A)/P(B)称为"可能性函数"（Likelyhood），这是一个调整因子，使得预估概率更接近真实概率。

                                                         后验概率 = 先验概率 × 调整因子

这就是贝叶斯推断的含义。我们先预估一个"先验概率"，然后加入实验结果，看这个实验到底是增强还是削弱了"先验概率"，由此得到更接近事实的"后验概率"。

2.4 朴素贝叶斯推断

贝叶斯和朴素贝叶斯的概念是不同的，区别就在于“朴素”二字，朴素贝叶斯对条件个概率分布做了条件独立性的假设。比如下面的公式，假设有n个特征：
groot
由于每个特征都是独立的，我们可以进一步拆分公式：
groot
举个例子：
某个医院早上来了六个门诊的病人，他们的情况如下表所示：
groot
现在又来了第七个病人，是一个打喷嚏的建筑工人。请问他患上感冒的概率有多大？
根据贝叶斯定理：
groot
可得：
groot
根据朴素贝叶斯条件独立性的假设可知，"打喷嚏"和"建筑工人"这两个特征是独立的，因此，上面的等式就变成了
groot
groot
这就是贝叶斯分类器的基本方法：在统计资料的基础上，依据某些特征，计算各个类别的概率，从而实现分类。

三、动手实战——评论过滤器

以在线社区留言为例。为了不影响社区的发展，我们要屏蔽侮辱性的言论，所以要构建一个快速过滤器，如果某条留言使用了负面或者侮辱性的语言，那么就将该留言标志为内容不当。过滤这类内容是一个很常见的需求。对此问题建立两个类型：侮辱类和非侮辱类，使用1和0分别表示。
我们把文本看成单词向量或者词条向量，也就是说将句子转换为向量。考虑出现所有文档中的单词，再决定将哪些单词纳入词汇表或者说所要的词汇集合，然后必须要将每一篇文档转换为词汇表上的向量。简单起见，我们先假设已经将本文切分完毕，存放到列表中，并对词汇向量进行分类标注。编写代码如下：

'''
函数说明:创建实验样本
 
Parameters:
    无
Returns:
    postingList - 实验样本切分的词条
    classVec - 类别标签向量
Modify:
    2021-02-02    
'''
def loadDataSet():
    postingList=[['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'],                #切分的词条
                 ['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

if __name__ == '__main__':
    postingList,classVec = loadDataSet()
    for each in postingList:
        print(each)
    print(classVec)

从运行结果可以看出，我们已经将postingList是存放词条列表中，classVec是存放每个词条的所属类别，1代表侮辱类，0代表非侮辱类。
继续编写代码，前面我们已经说过我们要先创建一个词汇表，并将切分好的词条转换为词条向量。

'''
函数说明:创建实验样本
 
Parameters:
    无
Returns:
    postingList - 实验样本切分的词条
    classVec - 类别标签向量
Modify:
    2021-02-02    
'''
def loadDataSet():
    postingList=[['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'],                #切分的词条
                 ['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

'''
函数说明:根据vocabList词汇表，将inputSet向量化，向量的每个元素为1或0
 
Parameters:
    vocabList - createVocabList返回的列表
    inputSet - 切分的词条列表
Returns:
    returnVec - 文档向量,词集模型
Modify:
    2021-02-02
'''
def setOfWords2Vec(vocabList,inputSet):
    returnVec = [0] * len(vocabList)        #创建一个所含元素都为0的向量
    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


'''
函数说明:将切分的实验样本词条整理成不重复的词条列表，也就是词汇表
 
Parameters:
    dataSet - 整理的样本数据集
Returns:
    vocabSet - 返回不重复的词条列表，也就是词汇表
Modify:
    2021-02-02
'''
def createVocabList(dataSet):
    vocabSet = set([])        #建立一个空的不重复列表
    for document in dataSet:
        vocabSet = vocabSet | set(document)   #取并集
    return list(vocabSet)

if __name__ == '__main__':
    postingList,classVec = loadDataSet()     
    print('postingList:\n',postingList)      #原始词条列表 
    myVocabList = createVocabList(postingList)     
    print('myVocabList:\n',myVocabList)      #无重复的词汇表
    trainMat = []
    for postingDoc in postingList:
        trainMat.append(setOfWords2Vec(myVocabList,postingDoc))
    print('trainMat:\n',trainMat)

从运行结果可以看出，postingList是原始的词条列表，myVocabList是词汇表。myVocabList是所有单词出现的集合，没有重复的元素。词汇表是用来干什么的？没错，它是用来将词条向量化的，一个单词在词汇表中出现过一次，那么就在相应位置记作1，如果没有出现就在相应位置记作0。trainMat是所有的词条向量组成的列表。它里面存放的是根据myVocabList向量化的词条向量。我们已经得到了词条向量。接下来，我们就可以通过词条向量训练朴素贝叶斯分类器。

import numpy as np
from functools import reduce
from math import log

'''
函数说明:创建实验样本
 
Parameters:
    无
Returns:
    postingList - 实验样本切分的词条
    classVec - 类别标签向量
Modify:
    2021-02-02    
'''
def loadDataSet():
    postingList=[['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'],                #切分的词条
                 ['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

'''
函数说明:根据vocabList词汇表，将inputSet向量化，向量的每个元素为1或0
 
Parameters:
    vocabList - createVocabList返回的列表
    inputSet - 切分的词条列表
Returns:
    returnVec - 文档向量,词集模型
Modify:
    2021-02-02
'''
def setOfWords2Vec(vocabList,inputSet):
    returnVec = [0] * len(vocabList)        #创建一个所含元素都为0的向量
    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


'''
函数说明:将切分的实验样本词条整理成不重复的词条列表，也就是词汇表
 
Parameters:
    dataSet - 整理的样本数据集
Returns:
    vocabSet - 返回不重复的词条列表，也就是词汇表
Modify:
    2021-02-02
'''
def createVocabList(dataSet):
    vocabSet = set([])        #建立一个空的不重复列表
    for document in dataSet:
        vocabSet = vocabSet | set(document)   #取并集
    return list(vocabSet)

'''
函数说明:朴素贝叶斯分类器训练函数
 
Parameters:
    trainMatrix - 训练文档矩阵，即setOfWords2Vec返回的returnVec构成的矩阵
    trainCategory - 训练类别标签向量，即loadDataSet返回的classVec
Returns:
    p0Vect - 非侮辱类的条件概率数组
    p1Vect - 侮辱类的条件概率数组
    pAbusive - 文档属于侮辱类的概率
Modify:
    2021-02-02
'''
def trainNB0(trainMatrix,trainCategory):
    numTrainDocs = len(trainMatrix)         #计算训练的文档的数量
    numWords = len(trainMatrix[0])        #计算每篇文档的词条数
    pAbusive = sum(trainCategory)/float(numTrainDocs)   #文档属于侮辱类的概率  
    p0Num = np.ones(numWords);p1Num = np.ones(numWords)  #创建数组，词条出现次数初始化为1
    p0Denom = 2.0;p1Denom = 2.0          #分母初始化为2.0
    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
            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
            p0Num += trainMatrix[i]
            p0Denom += sum(trainMatrix[i])
    p1Vect = np.log(p1Num/p1Denom)
    p0Vect = np.log(p0Num/p0Denom)
    print(p1Num)
    print(p0Num)
    print(p1Denom)
    print(p0Denom)
    print(p1Vect)
    print(p0Vect)
    return p0Vect,p1Vect,pAbusive     #返回属于侮辱类的条件矩阵，属于非侮辱类的条件矩阵

'''
函数说明:朴素贝叶斯分类器分类函数
 
Parameters:
    vec2Classify - 待分类的词条数组
    p0Vec - 侮辱类的条件概率数组
    p1Vec -非侮辱类的条件概率数组
    pClass1 - 文档属于侮辱类的概率
Returns:
    0 - 属于非侮辱类
    1 - 属于侮辱类
Modify:
    2021-02-02
'''
def classifyNB(vec2Classify,p0Vec,p1Vec,pClass1):
    p1 = sum(vec2Classify * p1Vec) + np.log(pClass1)     #累加对应样本每个词侮辱类的概率p与待分类样本相乘
    p0 = sum(vec2Classify * p0Vec) + np.log(1.0 - pClass1)   #累加对应样本每个词非侮辱类的概率p与待分类样本相乘   
    print('p0:',p0)
    print('p1:',p1)
    if p1 > p0:
        return 1
    else:
        return 0

    
'''
函数说明:测试朴素贝叶斯分类器
 
Parameters:
    无
Returns:
    无
Modify:
    2021-02-02
'''
def testingNB():
    list0Posts,listClasses = loadDataSet()   #创建实验有样本
    myVocabList = createVocabList(list0Posts)  #创建词汇表
    trainMat = []
    for postinDoc in list0Posts:
        trainMat.append(setOfWords2Vec(myVocabList,postinDoc))  #将实验样本向量化
    p0V,p1V,pAb = trainNB0(np.array(trainMat),np.array(listClasses))  #训练朴素贝叶斯分类器
    
    
    testEntry = ['love','my','dalmation']      #测试样本1
    thisDoc = np.array(setOfWords2Vec(myVocabList,testEntry))  #测试样本向量化
    if classifyNB(thisDoc,p0V,p1V,pAb):
        print(testEntry,'属于侮辱类')
    else:
        print(testEntry,'属于非侮辱类')
    
    testEntry = ['stupid','garbage']      #测试样本2
    thisDoc = np.array(setOfWords2Vec(myVocabList,testEntry))  #测试样本向量化
    if classifyNB(thisDoc,p0V,p1V,pAb):
        print(testEntry,'属于侮辱类')
    else:
        print(testEntry,'属于非侮辱类')
if __name__ == '__main__':
    testingNB()

四、总结

优点

生成式模型，通过计算概率来进行分类，可以用来处理多分类问题。
对小规模的数据表现很好，适合多分类任务，适合增量式训练，算法也比较简单。

缺点

对输入数据的表达形式很敏感。
由于朴素贝叶斯的“朴素”特点，所以会带来一些准确率上的损失。
需要计算先验概率，分类决策存在错误率。

参考：https://cuijiahua.com/blog/2017/11/ml_4_bayes_1.html

qq_40296818

关注

0
点赞
踩
7

收藏

觉得还不错? 一键收藏
0
评论
机器学习（三）——朴素贝叶斯（Naive Bayesian）

机器学习（三）——朴素贝叶斯（Naive Bayesian）一、算法简介1.1 概念二、朴素贝叶斯理论2.1 条件概率2.2 全概率公式2.3 贝叶斯推断2.4 朴素贝叶斯推断三、动手实战——评论过滤器四、总结优点缺点一、算法简介1.1 概念决策树（Naive Bayesian）是朴素贝叶斯算法是有监督的学习算法，解决的是分类问题，如客户是否流失、是否值得投资、信用等级评定等多分类问题。二、朴素贝叶斯理论朴素贝叶斯是贝叶斯决策理论的一部分，所以在讲述朴素贝叶斯之前有必要快速了解一下贝叶斯决策理论。
复制链接

扫一扫