本系列机器学习的文章打算从机器学习算法的一些理论知识、python实现该算法和调一些该算法的相应包来实现。
目录
一、朴素贝叶斯法的学习与分类
1、朴素贝叶斯基本方法
先补充一些基本概念,如下:
- 条件概率(又称作后验概率):就是事件A在另外一个事件B已经发生条件下发生的概率。表示味:P(A|B),读作“在B条件下A发生的概率”
- 联合概率:表示两个事件共同发生的概率。A与B的联合概率表示为:P(A∩B)或P(A,B)
- 边缘概率(又称先验概率):是指某个事件发生的概率。边缘概率是这样得到的:在联合概率中,把最终结果中那些不需要的事件通过合并成他们的全概率,而消去他们,这成为边缘化。比如A的边缘概率表示为P(A),B的边缘概率表示为P(B)
- 独立同分布(iid,independently identically distribution):在概率统计理论中,指随机过程中,任何时刻的取值都为随机变量,如果这些随机变量服从同一分布,并且互相独立,那么这些随机变量是独立同分布
- 贝叶斯公式:
其中Bi 常被视为导致试验结果A发生的”原因,P(Bi)(i=1,2,...)表示各种原因发生的可能性大小,故称先验概率;P(Bi|A)(i=1,2...)则反映当试验产生了结果A之后,再对各种原因概率的新认识,故称后验概率。
朴素贝叶斯通过训练数据集学习联合概率分布P(X,Y)即先验概率分布:及条件概率分布:
“朴素”贝叶斯名字的由来,牺牲分类准确性,即假设变量之间都是属于独立同分布的。
将其得到的结果代入贝叶斯公式中得到:
得到贝叶斯分类器的目标优化函数:
转化为后验概率最大化问题。后验概率最大化含义: 朴素贝叶斯将实例分到后验概率最大的类中,等价于期望风险最小化。
2、朴素贝叶斯优缺点
优点:在数据较少的情况下任然有效,可以处理多类别问题。
缺点:对于输入数据的准备方式较为敏感。
适用的数据类型:标称型数据(一般在有限的数据中取,而且只存在‘是’和‘否’两种不同的结果(一般用于分类))
二、利用朴素贝叶斯进行敏感词预测
代码:
import numpy as np
from functools import reduce
def loadDataSet():
# 切分的词条
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']]
# 类别标签向量,1代表侮辱性词汇,0代表不是
classVec = [0, 1, 0, 1, 0, 1]
# 返回实验样本切分的词条、类别标签向量
return postingList, classVec
def setOfWords2Vec(vocabList, inputSet):
# 创建一个其中所含元素都为0的向量
returnVec = [0] * len(vocabList)
# 遍历每个词条
for word in inputSet:
if word in vocabList:
# 如果词条存在于词汇表中,则置1
# index返回word出现在vocabList中的索引
# 若这里改为+=则就是基于词袋的模型,遇到一个单词会增加单词向量中德对应值
returnVec[vocabList.index(word)] = 1
else:
print("the word: %s is not in my Vocabulary" % word)
# 返回文档向量
return returnVec
def createVocabList(dataSet):
# 创建一个空的不重复列表
# set是一个无序且不重复的元素集合
vocabSet = set([])
for document in dataSet:
# 取并集
vocabSet = vocabSet | set(document)
return list(vocabSet)
def trainNB0(trainMatrix, trainCategory):
# 计算训练文档数目
numTrainDocs = len(trainMatrix)
# 计算每篇文档的词条数目
numWords = len(trainMatrix[0])
# 文档属于侮辱类的概率
pAbusive = sum(trainCategory) / float(numTrainDocs)
# 创建numpy.zeros数组,词条出现数初始化为0
# p0Num = np.zeros(numWords)
# p1Num = np.zeros(numWords)
# 创建numpy.ones数组,词条出现数初始化为1,拉普拉斯平滑
p0Num = np.ones(numWords)
p1Num = np.ones(numWords)
# 分母初始化为0
# p0Denom = 0.0
# p1Denom = 0.0
# 分母初始化为2,拉普拉斯平滑
p0Denom = 2.0
p1Denom = 2.0
for i in range(numTrainDocs):
# 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)...
if trainCategory[i] == 1:
# 统计所有侮辱类文档中每个单词出现的个数
p1Num += trainMatrix[i]
# 统计一共出现的侮辱单词的个数
p1Denom += sum(trainMatrix[i])
# 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)...
else:
# 统计所有非侮辱类文档中每个单词出现的个数
p0Num += trainMatrix[i]
# 统计一共出现的非侮辱单词的个数
p0Denom += sum(trainMatrix[i])
# 每个侮辱类单词分别出现的概率
# p1Vect = p1Num / p1Denom
# 取对数,防止下溢出
p1Vect = np.log(p1Num / p1Denom)
# 每个非侮辱类单词分别出现的概率
# p0Vect = p0Num / p0Denom
# 取对数,防止下溢出
p0Vect = np.log(p0Num / p0Denom)
# 返回属于侮辱类的条件概率数组、属于非侮辱类的条件概率数组、文档属于侮辱类的概率
return p0Vect, p1Vect, pAbusive
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
# 对应元素相乘
# p1 = reduce(lambda x,y:x*y, vec2Classify * p1Vec) * pClass1
# p0 = reduce(lambda x,y:x*y, vec2Classify * p0Vec) * (1.0 - pClass1)
# 对应元素相乘,logA*B = logA + logB所以这里是累加
p1 = sum(vec2Classify * p1Vec) + np.log(pClass1)
p0 = sum(vec2Classify * p0Vec) + np.log(1.0 - pClass1)
# print('p0:', p0)
# print('p1:', p1)
if p1 > p0:
return 1
else:
return 0
def testingNB():
# 创建实验样本
listOPosts, listclasses = loadDataSet()
# 创建词汇表,将输入文本中的不重复的单词进行提取组成单词向量
myVocabList = createVocabList(listOPosts)
trainMat = []
for postinDoc in listOPosts:
# 将实验样本向量化若postinDoc中的单词在myVocabList出现则将returnVec该位置的索引置1
# 将6组数据list存储在trainMat中
trainMat.append(setOfWords2Vec(myVocabList, postinDoc))
# 训练朴素贝叶斯分类器
p0V, p1V, pAb = trainNB0(np.array(trainMat), np.array(listclasses))
# 测试样本1
testEntry = ['love', 'my', 'dalmation']
# 测试样本向量化返回这三个单词出现位置的索引
thisDoc = np.array(setOfWords2Vec(myVocabList, testEntry))
if classifyNB(thisDoc, p0V, p1V, pAb):
# 执行分类并打印结果
print(testEntry, '属于侮辱类')
else:
# 执行分类并打印结果
print(testEntry, '属于非侮辱类')
# 测试样本2
testEntry = ['stupid', 'garbage']
# 将实验样本向量化
thisDoc = np.array(setOfWords2Vec(myVocabList, testEntry))
if classifyNB(thisDoc, p0V, p1V, pAb):
# 执行分类并打印结果
print(testEntry, '属于侮辱类')
else:
# 执行分类并打印结果
print(testEntry, '属于非侮辱类')
def main():
testingNB()
if __name__ == '__main__':
main()
代码测试结果:
['love', 'my', 'dalmation'] 属于非侮辱类 ['stupid', 'garbage'] 属于侮辱类
三、基于sklearn实现
from sklearn.datasets import fetch_20newsgroups # 从sklearn.datasets里导入新闻数据抓取器 fetch_20newsgroups
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import CountVectorizer # 从sklearn.feature_extraction.text里导入文本特征向量化模块
from sklearn.naive_bayes import MultinomialNB # 从sklean.naive_bayes里导入朴素贝叶斯模型
from sklearn.metrics import classification_report
#1.数据获取
news = fetch_20newsgroups(subset='all')
print(len(news.data)) # 输出数据的条数:18846
#2.数据预处理:训练集和测试集分割,文本特征向量化
X_train,X_test,y_train,y_test = train_test_split(news.data,news.target,test_size=0.25,random_state=33) # 随机采样25%的数据样本作为测试集
print (X_train[0]) #查看训练样本
print (y_train[0:100]) #查看标签
#文本特征向量化
vec = CountVectorizer()
X_train = vec.fit_transform(X_train)
X_test = vec.transform(X_test)
#3.使用朴素贝叶斯进行训练
mnb = MultinomialNB() # 使用默认配置初始化朴素贝叶斯
mnb.fit(X_train,y_train) # 利用训练数据对模型参数进行估计
y_predict = mnb.predict(X_test) # 对参数进行预测
#4.获取结果报告
print('The Accuracy of Naive Bayes Classifier is:', mnb.score(X_test,y_test))
print(classification_report(y_test, y_predict, target_names = news.target_names))