参考:
A橙_人工智能-实训平台
_南宫问天_HNU AI-----实验三:分类算法实验
灭绝星辰_人工智能实训 机器学习 朴素贝叶斯分类器
A橙_人工智能-实验三
一.实验目的
- 掌握分类算法的算法思想:朴素贝叶斯算法,决策树算法,人工神经网络,支持向量机;
- 编写朴素贝叶斯算法进行分类操作。
二、实验平台
课程实训平台:课程实训平台
三、实验内容
机器学习 — 朴素贝叶斯分类器
四、实验步骤
1.第1关 条件概率;
(1)题一
P(AB)表示的是事件A与事件B同时发生的概率,
P(A|B)表示的是事件B已经发生的条件下,事件A发生的概率。
- 对
(2)题二
从1,2,...,15中小明和小红两人各任取一个数字,
现已知小明取到的数字是5的倍数,
请问小明取到的数大于小红取到的数的概率是多少?
解:
设P(A)=小明取到的数字是5的倍数的概率;
P(B)=小明取到的数大于小红取到的数的概率;
(a)若小明小红可以取相同的数:
P
(
B
∣
A
)
=
P
(
A
B
)
P
(
A
)
P
(
A
)
=
3
/
15
P
(
A
B
)
=
P
(
A
5
B
)
+
P
(
A
10
B
)
+
P
(
A
15
B
)
=
1
15
∗
4
15
+
1
15
∗
9
15
+
1
15
∗
14
15
=
27
15
∗
15
P
(
B
∣
A
)
=
27
15
∗
15
3
15
=
27
3
∗
15
=
3
5
P(B|A)= \frac {P(AB)} {P(A)} \\ P(A)=3/15 \\ P(AB) = P(A_{5}B)+P(A_{10}B)+P(A_{15}B) \\ = \frac {1} {15} *\frac {4} {15}+\frac {1} {15} *\frac {9} {15}+\frac {1} {15} *\frac {14} {15} \\ = \frac {27} {15*15} \\ P(B|A)= \frac {\frac {27} {15*15} } {\frac {3} {15} }= \frac {27} {3*15}=\frac {3} {5}
P(B∣A)=P(A)P(AB)P(A)=3/15P(AB)=P(A5B)+P(A10B)+P(A15B)=151∗154+151∗159+151∗1514=15∗1527P(B∣A)=15315∗1527=3∗1527=53
(b)若小明小红不能取相同的数:
P
(
B
∣
A
)
=
P
(
A
B
)
P
(
A
)
P
(
A
)
=
3
/
15
P
(
A
B
)
=
P
(
A
5
B
)
+
P
(
A
10
B
)
+
P
(
A
15
B
)
=
1
15
∗
4
14
+
1
15
∗
9
14
+
1
15
∗
14
14
=
27
15
∗
14
P
(
B
∣
A
)
=
27
15
∗
14
3
15
=
27
3
∗
14
=
9
14
P(B|A)= \frac {P(AB)} {P(A)} \\ P(A)=3/15 \\ P(AB) = P(A_{5}B)+P(A_{10}B)+P(A_{15}B) \\ = \frac {1} {15} *\frac {4} {14}+\frac {1} {15} *\frac {9} {14}+\frac {1} {15} *\frac {14} {14} \\ = \frac {27} {15*14} \\ P(B|A)= \frac {\frac {27} {15*14} } {\frac {3} {15} }= \frac {27} {3*14}=\frac {9} {14}
P(B∣A)=P(A)P(AB)P(A)=3/15P(AB)=P(A5B)+P(A10B)+P(A15B)=151∗144+151∗149+151∗1414=15∗1427P(B∣A)=15315∗1427=3∗1427=149
- C、9/14
2.第2关 贝叶斯公式;
(1)题一
对以往数据分析结果表明,
当机器调整得良好时,产品的合格率为98%,而当机器发生某种故障时,产品的合格率为55%。
每天早上机器开动时,机器调整得良好的概率为95%。
计算已知某日早上第一件产品是合格时,机器调整得良好的概率是多少?
解:
设良好-Good;故障-Fault;合格-Qualified;
已知:
- P(Q | G)=0.98
- P(Q | F)=0.55
- P(G)=0.95
求P(G | Q):
P
(
G
∣
Q
)
=
P
(
Q
∣
G
)
∗
P
(
G
)
P
(
Q
)
=
0.98
∗
0.95
P
(
G
)
∗
P
(
Q
∣
G
)
+
P
(
Q
)
∗
P
(
Q
∣
F
)
=
0.98
∗
0.95
0.95
∗
0.98
+
0.05
∗
0.55
=
0.931
/
0.9585
=
0.971309
P(G | Q)= \frac {P(Q | G)* P(G)} {P( Q)} \\ = \frac {0.98*0.95} {P(G)*P(Q | G)+P(Q)*P(Q | F)} \\ = \frac {0.98*0.95} {0.95*0.98+0.05*0.55} \\ =0.931/0.9585= 0.971309
P(G∣Q)=P(Q)P(Q∣G)∗P(G)=P(G)∗P(Q∣G)+P(Q)∗P(Q∣F)0.98∗0.95=0.95∗0.98+0.05∗0.550.98∗0.95=0.931/0.9585=0.971309
- D、0.97
(2)题二
一批产品共8件,其中正品6件,次品2件。
现不放回地从中取产品两次,每次一件,求第二次取得正品的概率。
解:
设
Q
1
1
为第一次取得正品,
Q
1
0
为第一次取得次品;
Q
2
1
为第二次取得正品;
设Q_{1}1为第一次取得正品,Q_{1}0为第一次取得次品;\\ Q_{2}1为第二次取得正品;
设Q11为第一次取得正品,Q10为第一次取得次品;Q21为第二次取得正品;
P
(
Q
2
1
)
=
s
u
m
i
=
0
1
P
(
Q
1
i
)
∗
P
(
Q
2
1
∣
Q
1
i
)
=
P
(
Q
1
0
)
∗
P
(
Q
2
1
∣
Q
1
0
)
+
P
(
Q
1
1
)
∗
P
(
Q
2
1
∣
Q
1
1
)
=
2
8
∗
6
7
+
6
8
∗
5
7
=
7
8
∗
6
7
=
3
4
P(Q_{2}1)=sum_{i=0} ^{1} P(Q_{1}i)*P(Q_{2}1|Q_{1}i) \\ = P(Q_{1}0)*P(Q_{2}1|Q_{1}0)+P(Q_{1}1)*P(Q_{2}1|Q_{1}1) \\ = \frac{2} {8} * \frac{6} {7} +\frac{6} {8} * \frac{5} {7} \\ = \frac{7} {8} * \frac{6} {7} = \frac{3} {4}
P(Q21)=sumi=01P(Q1i)∗P(Q21∣Q1i)=P(Q10)∗P(Q21∣Q10)+P(Q11)∗P(Q21∣Q11)=82∗76+86∗75=87∗76=43
- C、3/4
3.第3关 朴素贝叶斯分类算法流程;
(1)朴素贝叶斯算法
- 算法思想:根据特征预测结果
- 例如:特征:颜色B、声音C、纹理D;结果:好/坏瓜
- 数学公式-(已知一个西瓜的三个特征,求其为好瓜A1的概率)
P ( A 1 ∣ B C D ) = P ( A 1 ) P ( B ∣ A 1 ) P ( C ∣ A 1 ) P ( D ∣ A 1 ) P ( B C D ) P(A_{1}∣BCD)= \frac {P(A_{1})P(B∣A _{1} )P(C∣A _{1} )P(D∣A _{1})} {P(BCD)} P(A1∣BCD)=P(BCD)P(A1)P(B∣A1)P(C∣A1)P(D∣A1)
(2)fit-模型的训练
-
训练的流程(以西瓜为例)
- 计算各种条件概率:P(A1)、P(B∣A 1 )、P(C∣A 1 )、P(D∣A 1)等
-
参数说明-def fit(self, feature, label)
- feature:训练集数据–颜色、声音、纹理,类型为ndarray;
- label:训练集标签–好/坏瓜,类型为ndarray;
-
变量说明:
- 计算label_prob
- num:测试数据的个数
- cnt:好瓜的个数
- 计算condition_prob
- self.condition_prob[i][j][feat]:
- i:0-坏瓜;1-好瓜
- j:0-颜色、1-声音、2-纹理
- feat:1/2-绿/黄色、清脆/浑厚、清晰/模糊
- 计算条件概率:
- 每个特征取值除label为0、1的个数(num-cnt,cnt)
- 计算label_prob
def fit(self, feature, label):
'''
对模型进行训练,需要将各种概率分别保存在self.label_prob和self.condition_prob中
:param feature: 训练数据集所有特征组成的ndarray
:param label:训练数据集中所有标签组成的ndarray
:return: 无返回
'''
#********* Begin *********#
#计算label_prob
cnt = 0
num = 0
for item in label:
num+=1
if item == 1:
cnt+=1
self.label_prob[0] = (num-cnt)/num
self.label_prob[1] = cnt/num
#计算condition_prob
self.condition_prob[0] = {}
self.condition_prob[1] = {}
#初始化每个特征取值的字典
for item in self.condition_prob:
for feat in range(len(feature[0])):
self.condition_prob[item][feat] = {}
#记录每个特征的取值
i=0 #样本编号
for data in feature:
j=0 #特征序号
for feat in data:
if(self.condition_prob[0][j].get(feat)==None):
self.condition_prob[0][j][feat] = 0
if(self.condition_prob[1][j].get(feat)==None):
self.condition_prob[1][j][feat] = 0
if label[i]==0:
self.condition_prob[0][j][feat] += 1
else:
self.condition_prob[1][j][feat] += 1
j+=1
i+=1
#计算条件概率,每个特征取值除label为0和1的个数
for feat in range(len(feature[0])):
for item in self.condition_prob[0][feat]:
self.condition_prob[0][feat][item] /= (num-cnt)
for item in self.condition_prob[1][feat]:
self.condition_prob[1][feat][item] /= cnt
#********* End *********#
(3)predict-模型的预测
-
预测的流程(以西瓜为例)
- 根据朴素贝叶斯公式计算条件概率:
-
参数说明-def predict(self, feature)
- feature:测试数据集所有特征组成的ndarray;
- return:模型预测结果–好/坏瓜,类型为ndarray;
-
变量说明:
- 计算P(A1)、P(A2)
- P_good := self.label_prob[1]
- P_bad := self.label_prob[0]
- 计算P(B∣A1)、P(C∣A1)、P(D∣A1 )
- P_good: *= self.condition_prob[1][feat_idx][feat]
- P_bad: *= self.condition_prob[0][feat_idx][feat]
- feat_idx+=1:以循环的形式,把B、C、D的条件概率都乘一下
- 判断好/坏瓜:
- if P_good>P_bad:取概率最大的类别作为预测结果
- 计算P(A1)、P(A2)
def predict(self, feature):
'''
对数据进行预测,返回预测结果
:param feature:测试数据集所有特征组成的ndarray
:return:
'''
# ********* Begin *********#
res = []
for item in feature:
P_good = self.label_prob[1]
P_bad = self.label_prob[0]
feat_idx = 0
for feat in item:
P_good *= self.condition_prob[1][feat_idx][feat]
P_bad *= self.condition_prob[0][feat_idx][feat]
feat_idx+=1
if P_good>P_bad:
res.append(1)
else:
res.append(0)
return res
#********* End *********#
(4)完整代码
import numpy as np
class NaiveBayesClassifier(object):
def __init__(self):
'''
self.label_prob表示每种类别在数据中出现的概率
例如,{0:0.333, 1:0.667}表示数据中类别0出现的概率为0.333,类别1的概率为0.667
'''
self.label_prob = {}
'''
self.condition_prob表示每种类别确定的条件下各个特征出现的概率
例如训练数据集中的特征为 [[2, 1, 1],
[1, 2, 2],
[2, 2, 2],
[2, 1, 2],
[1, 2, 3]]
标签为[1, 0, 1, 0, 1]
那么当标签为0时第0列的值为1的概率为0.5,值为2的概率为0.5;
当标签为0时第1列的值为1的概率为0.5,值为2的概率为0.5;
当标签为0时第2列的值为1的概率为0,值为2的概率为1,值为3的概率为0;
当标签为1时第0列的值为1的概率为0.333,值为2的概率为0.666;
当标签为1时第1列的值为1的概率为0.333,值为2的概率为0.666;
当标签为1时第2列的值为1的概率为0.333,值为2的概率为0.333,值为3的概率为0.333;
因此self.label_prob的值如下:
{
0:{
0:{
1:0.5
2:0.5
}
1:{
1:0.5
2:0.5
}
2:{
1:0
2:1
3:0
}
}
1:
{
0:{
1:0.333
2:0.666
}
1:{
1:0.333
2:0.666
}
2:{
1:0.333
2:0.333
3:0.333
}
}
}
'''
self.condition_prob = {}
def fit(self, feature, label):
'''
对模型进行训练,需要将各种概率分别保存在self.label_prob和self.condition_prob中
:param feature: 训练数据集所有特征组成的ndarray
:param label:训练数据集中所有标签组成的ndarray
:return: 无返回
'''
#********* Begin *********#
#计算label_prob
cnt = 0
num = 0
for item in label:
num+=1
if item == 1:
cnt+=1
self.label_prob[0] = (num-cnt)/num
self.label_prob[1] = cnt/num
#计算condition_prob
self.condition_prob[0] = {}
self.condition_prob[1] = {}
#初始化每个特征取值的字典
for item in self.condition_prob:
for feat in range(len(feature[0])):
self.condition_prob[item][feat] = {}
#记录每个特征的取值
i=0 #样本编号
for data in feature:
j=0 #特征序号
for feat in data:
if(self.condition_prob[0][j].get(feat)==None):
self.condition_prob[0][j][feat] = 0
if(self.condition_prob[1][j].get(feat)==None):
self.condition_prob[1][j][feat] = 0
if label[i]==0:
self.condition_prob[0][j][feat] += 1
else:
self.condition_prob[1][j][feat] += 1
j+=1
i+=1
#计算条件概率,每个特征取值除label为0和1的个数
for feat in range(len(feature[0])):
for item in self.condition_prob[0][feat]:
self.condition_prob[0][feat][item] /= (num-cnt)
for item in self.condition_prob[1][feat]:
self.condition_prob[1][feat][item] /= cnt
#********* End *********#
def predict(self, feature):
'''
对数据进行预测,返回预测结果
:param feature:测试数据集所有特征组成的ndarray
:return:
'''
# ********* Begin *********#
res = []
for item in feature:
P_good = self.label_prob[1]
P_bad = self.label_prob[0]
feat_idx = 0
for feat in item:
P_good *= self.condition_prob[1][feat_idx][feat]
P_bad *= self.condition_prob[0][feat_idx][feat]
feat_idx+=1
if P_good>P_bad:
res.append(1)
else:
res.append(0)
return res
#********* End *********#
4.第4关 拉普拉斯平滑;
(1)拉普拉斯平滑
- 为什么需要 拉普拉斯平滑:根据特征预测结果
- 举例:特征:颜色B、声音C、纹理D;结果:好/坏瓜
- 下图中,坏瓜的纹理都是清晰,即P(模糊|否)=0–》得到的命题(模糊一定是坏瓜)并不合理;
- 什么是拉普拉斯平滑
- 定义:
- N:训练集有多少种类别(好、坏–》2种)
- Ni:训练集中第i列有多少种取值(颜色、声音。纹理均各有2中取值)。
- 训练过程中:
- 算类别的概率:分子加1,分母加N;
- 算条件概率时:分子加1,分母加Ni
- 举例:
- 经过拉普拉斯平滑后,P(模糊|否)=1/4,使得模型更加合理
- 定义:
(2)fit-模型的训练
- 训练的流程(以西瓜为例)
拉普拉斯平滑的定义:
- N:训练集有多少种类别(好、坏–》2种)
- Ni:训练集中第i列有多少种取值(颜色、声音。纹理均各有2中取值)。
- 训练过程中:
- 算类别的概率:分子加1,分母加N;
- 算条件概率时:分子加1,分母加Ni
- 参数说明-def fit(self, feature, label)
- feature:训练集数据–颜色、声音、纹理,类型为ndarray;
- label:训练集标签–好/坏瓜,类型为ndarray;
- 变量说明:
- 计算label_prob
- num:测试数据的个数
- cnt:好瓜的个数
- 类别概率的平滑
- self.label_prob[0] = (num-cnt)+1/(num+types):分子加1,分母加N(=2)
- 计算condition_prob
- self.condition_prob[i][j][feat]:
- i:0-坏瓜;1-好瓜
- j:0-颜色、1-声音、2-纹理
- feat:1/2-绿/黄色、清脆/浑厚、清晰/模糊
- 条件概率的平滑(分子加一)
- self.condition_prob[0][j][feat] = 1:分子加一,初始化为1
- 计算条件概率:
- 条件概率的平滑(分母加Ni)
- 每个特征取值除label为0、1的个数,再加Ni(num-cnt +len(self.condition_prob[0][feat]),cnt +len(self.condition_prob[1][feat]))
- 计算label_prob
def fit(self, feature, label):
'''
对模型进行训练,需要将各种概率分别保存在self.label_prob和self.condition_prob中
:param feature: 训练数据集所有特征组成的ndarray
:param label:训练数据集中所有标签组成的ndarray
:return: 无返回
'''
#********* Begin *********#
#计算label_prob
cnt = 0
num = 0
for item in label:
num+=1
if item == 1:
cnt+=1
types = 2
self.label_prob[0] = (num-cnt)+1/(num+types)
self.label_prob[1] = cnt+1/(num+types)
#计算condition_prob
self.condition_prob[0] = {}
self.condition_prob[1] = {}
#初始化每个特征取值的字典
for item in self.condition_prob:
for feat in range(len(feature[0])):
self.condition_prob[item][feat] = {}
#记录每个特征的取值
i=0 #样本编号
for data in feature:
j=0 #特征序号
for feat in data:
if(self.condition_prob[0][j].get(feat)==None):
self.condition_prob[0][j][feat] = 1 #分子加一,初始化为1
if(self.condition_prob[1][j].get(feat)==None):
self.condition_prob[1][j][feat] = 1 #分子加一,初始化为1
if label[i]==0:
self.condition_prob[0][j][feat] += 1
else:
self.condition_prob[1][j][feat] += 1
j+=1
i+=1
#计算条件概率,每个特征取值除label为0和1的个数
for feat in range(len(feature[0])):
for item in self.condition_prob[0][feat]:
self.condition_prob[0][feat][item] /= (num-cnt)+len(self.condition_prob[0][feat])
for item in self.condition_prob[1][feat]:
self.condition_prob[1][feat][item] /= cnt+len(self.condition_prob[1][feat])
#********* End *********#
(3)predict-模型的预测
-
预测的流程(以西瓜为例)
- 根据朴素贝叶斯公式计算条件概率:
-
不做修改直接用3.第3关 朴素贝叶斯分类算法流程的predict也行
- 而且3的predict比下面更容易看懂(可读性好)
- 但下面的使用了一些函数,减少了一定的代码量
def predict(self, feature):
'''
对数据进行预测,返回预测结果
:param feature:测试数据集所有特征组成的ndarray
:return:
'''
result = []
# 对每条测试数据都进行预测
for i, f in enumerate(feature):
# 可能的类别的概率
prob = np.zeros(len(self.label_prob.keys()))
ii = 0
for label, label_prob in self.label_prob.items():
# 计算概率
prob[ii] = label_prob
for j in range(len(feature[0])):
prob[ii] *= self.condition_prob[label][j][f[j]]
ii += 1
# 取概率最大的类别作为结果
result.append(list(self.label_prob.keys())[np.argmax(prob)])
return np.array(result)
(4)完整代码
import numpy as np
class NaiveBayesClassifier(object):
def __init__(self):
'''
self.label_prob表示每种类别在数据中出现的概率
例如,{0:0.333, 1:0.667}表示数据中类别0出现的概率为0.333,类别1的概率为0.667
'''
self.label_prob = {}
'''
self.condition_prob表示每种类别确定的条件下各个特征出现的概率
例如训练数据集中的特征为 [[2, 1, 1],
[1, 2, 2],
[2, 2, 2],
[2, 1, 2],
[1, 2, 3]]
标签为[1, 0, 1, 0, 1]
那么当标签为0时第0列的值为1的概率为0.5,值为2的概率为0.5;
当标签为0时第1列的值为1的概率为0.5,值为2的概率为0.5;
当标签为0时第2列的值为1的概率为0,值为2的概率为1,值为3的概率为0;
当标签为1时第0列的值为1的概率为0.333,值为2的概率为0.666;
当标签为1时第1列的值为1的概率为0.333,值为2的概率为0.666;
当标签为1时第2列的值为1的概率为0.333,值为2的概率为0.333,值为3的概率为0.333;
因此self.label_prob的值如下:
{
0:{
0:{
1:0.5
2:0.5
}
1:{
1:0.5
2:0.5
}
2:{
1:0
2:1
3:0
}
}
1:
{
0:{
1:0.333
2:0.666
}
1:{
1:0.333
2:0.666
}
2:{
1:0.333
2:0.333
3:0.333
}
}
}
'''
self.condition_prob = {}
def fit(self, feature, label):
'''
对模型进行训练,需要将各种概率分别保存在self.label_prob和self.condition_prob中
:param feature: 训练数据集所有特征组成的ndarray
:param label:训练数据集中所有标签组成的ndarray
:return: 无返回
'''
#********* Begin *********#
#计算label_prob
cnt = 0
num = 0
for item in label:
num+=1
if item == 1:
cnt+=1
types = 2
self.label_prob[0] = (num-cnt)+1/(num+types)
self.label_prob[1] = cnt+1/(num+types)
#计算condition_prob
self.condition_prob[0] = {}
self.condition_prob[1] = {}
#初始化每个特征取值的字典
for item in self.condition_prob:
for feat in range(len(feature[0])):
self.condition_prob[item][feat] = {}
#记录每个特征的取值
i=0 #样本编号
for data in feature:
j=0 #特征序号
for feat in data:
if(self.condition_prob[0][j].get(feat)==None):
self.condition_prob[0][j][feat] = 1 #分子加一,初始化为1
if(self.condition_prob[1][j].get(feat)==None):
self.condition_prob[1][j][feat] = 1 #分子加一,初始化为1
if label[i]==0:
self.condition_prob[0][j][feat] += 1
else:
self.condition_prob[1][j][feat] += 1
j+=1
i+=1
#计算条件概率,每个特征取值除label为0和1的个数
for feat in range(len(feature[0])):
for item in self.condition_prob[0][feat]:
self.condition_prob[0][feat][item] /= (num-cnt)+len(self.condition_prob[0][feat])
for item in self.condition_prob[1][feat]:
self.condition_prob[1][feat][item] /= cnt+len(self.condition_prob[1][feat])
#********* End *********#
def predict(self, feature):
'''
对数据进行预测,返回预测结果
:param feature:测试数据集所有特征组成的ndarray
:return:
'''
result = []
# 对每条测试数据都进行预测
for i, f in enumerate(feature):
# 可能的类别的概率
prob = np.zeros(len(self.label_prob.keys()))
ii = 0
for label, label_prob in self.label_prob.items():
# 计算概率
prob[ii] = label_prob
for j in range(len(feature[0])):
prob[ii] *= self.condition_prob[label][j][f[j]]
ii += 1
# 取概率最大的类别作为结果
result.append(list(self.label_prob.keys())[np.argmax(prob)])
return np.array(result)
5.第5关 新闻文本主题分类
(1)新闻文本主题分类的三个步骤
- 词频向量化:sklearn中的CountVectorizer类
- 将字符串转换成向量;
- 举例:I have a apple! I have a pen!转换为[10, 7, 0, 1, 2, 6, 22, 100, 8, 0, 1, 0]。
from sklearn.feature_ext\fraction.text import CountVectorizer
#实例化向量化对象
vec = CountVectorizer()
#将训练集中的新闻向量化
X_train = vec.fit_transform(X_train)
#将测试集中的新闻向量化
X_test = vec.transform(X_test)
- 构建文本向量:sklearn中的tf-idf接口
- TF(term frequency):词频。文档中,词频越高-》-权重越大。
- IDF(Inverse Document Frequency):逆文档频率。一个词出现的文档数越多,权重越低,一般会对IDF取对数。(如果不加log的话,IDF的结果相对会比较分散)
- 举例:I have a apple! I have a pen!转换为[10, 7, 0, 1, 2, 6, 22, 100, 8, 0, 1, 0]。
from sklearn.feature_ext\fraction.text import TfidfTransformer
#实例化tf-idf对象
tfidf = TfidfTransformer()
#将训练集中的词频向量用tf-idf进行转换
X_train = tfidf.fit_transform(X_train_count_vectorizer)
#将测试集中的词频向量用tf-idf进行转换
X_test = vec.transform(X_test_count_vectorizer)
- 文本分类:sklearn中的MultinomialNB类
- sklearn中多项分布数据的(用于文本分类)朴素贝叶斯算法的实现
- alpha-平滑因子:实例化的参数
- alpha=1:拉普拉斯平滑;
- alpha<1:Lidstone平滑;
- alpha=0:不做任何平滑处理。
- 函数fit(X,Y):训练模型
- X:大小为[样本数量,特征数量]的ndarry,存放训练样本
- Y:值为整型,大小为[样本数量]的ndarray,存放训练样本的分类标签
- 函数predict(X):预测模型
- X:大小为[样本数量,特征数量]的ndarry,存放预测样本
from sklearn.naive_bayes import MultinomialNB
clf = MultinomialNB()
clf.fit(X_train, Y_train)
result = clf.predict(X_test)
(2)news_predict-新闻文本主题分类
- 参数说明-def news_predict(train_sample, train_label,
- train_sample:原始训练样本,类型为ndarray
- train_label:训练标签,类型为ndarray
- test_sample:原始测试样本,类型为ndarray
- 实现:
- 这里的实现其实就是:把上面三个部分的代码(词频向量化-CountVectorizer、构建文本向量-tf-idf、构建文本向量-MultinomialNB)简单合并在一起
def news_predict(train_sample, train_label, test_sample):
'''
训练模型并进行预测,返回预测结果
:param train_sample:原始训练集中的新闻文本,类型为ndarray
:param train_label:训练集中新闻文本对应的主题标签,类型为ndarray
:param test_sample:原始测试集中的新闻文本,类型为ndarray
:return 预测结果,类型为ndarray
'''
#********* Begin *********#
vec = CountVectorizer()
train_sample = vec.fit_transform(train_sample)
test_sample = vec.transform(test_sample)
tfidf = TfidfTransformer()
train_sample = tfidf.fit_transform(train_sample)
test_sample = tfidf.transform(test_sample)
mnb = MultinomialNB(alpha=0.02)
mnb.fit(train_sample,train_label)
predict = mnb.predict(test_sample)
return predict
#********* End *********#
(3)完整代码
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.feature_extraction.text import TfidfTransformer
def news_predict(train_sample, train_label, test_sample):
'''
训练模型并进行预测,返回预测结果
:param train_sample:原始训练集中的新闻文本,类型为ndarray
:param train_label:训练集中新闻文本对应的主题标签,类型为ndarray
:param test_sample:原始测试集中的新闻文本,类型为ndarray
:return 预测结果,类型为ndarray
'''
#********* Begin *********#
vec = CountVectorizer()
train_sample = vec.fit_transform(train_sample)
test_sample = vec.transform(test_sample)
tfidf = TfidfTransformer()
train_sample = tfidf.fit_transform(train_sample)
test_sample = tfidf.transform(test_sample)
mnb = MultinomialNB(alpha=0.02)
mnb.fit(train_sample,train_label)
predict = mnb.predict(test_sample)
return predict
#********* End *********#
五、思考题:
1.如何在参数学习或者其他方面提高算法的分类性能?
-
朴素贝叶斯算法、拉普拉斯平滑
- 实现比较简单,没有参数;
- 但是条件独立性假设可能牺牲预测的准确性。
-
支持向量机算法和人工神经网络等算法
- 可以通过增加迭代次数或减小学习率来提高模型训练的效果,提高性能
-
新闻文本分类
- MultionomialNB的alpha参数的取值可能会对性能(预测准确率)产生影响;
- 应该尽可能的让alpha参数小,这样平滑效果好,准确率高,但是可能产生更大的时空消耗。