贝叶斯引入
前两章分别介绍了K-近邻算法和决策树,现在有这样一个数据集,他由两类数据构成,数据分布如图,现有一个新的数据点(x,y),如何简单快捷的将其分类成三角形/圆形?
K近邻算法肯定可以算出来,但是为了这么一个小小的点计算量未免过大,决策树在这里好像就不是那么适用了。我们有一个非常自然的想法,能不能计算出这个点是三角形的概率p1(x,y),是圆形的概率p2(x,y),比较p1和p2,更大的那个就应该是分类的结果,这就是贝叶斯决策理论。
贝叶斯公式的理解
上面这个公式就是贝叶斯公式,初学者一看到这个公式肯定会一脸懵,我尽量把自己的理解写出来。
朴素贝叶斯的就是对条件独立性做了假设,即各个条件相互独立,互不影响,因此有
将公式4.3带入到公式4.4,有
计算出每个ck的概率,这个数据就应该被划分到概率最大的那个ck类,对于每一个ck而言,分母都是一样的,所以可以将其忽略,我们的目的就是要求到底哪个ck能对应最大的分子值。即
这公式就是最大后验概率估计,他和最大似然估计非常像,主要的区别就是多了一个P(Y=ck)(先验概率),我们考虑先把前验概率拿出来,单看最大似然估计,这是符合我们逻辑思考的,计算每一类ck的条件概率,选其中最大的那个。
贝叶斯的思想就是要考虑以往经验分析得到的概率,即先验概率。即便我们有一些证据,但是我们能多么相信他们,扔10次硬币,有7次正面朝上,我们能说扔一枚硬币正面朝上的概率是70%吗?,不能,因为凭借我们的经验,我们知道概率是50%,这个50%就是先验概率,是在扔硬币之前我们就已经知道的事情。这十次抛硬币是一个证据,可能比较靠谱也可能没那么靠谱,贝叶斯的想法是我们能多么相信这个证据?我们要在这个证据的基础上加上自己的判断进行修正,即最大似然估计乘上先验概率,这就是最大后验概率的思想。随着抛掷的次数增多,前验概率的影响越来越小,最终概率会向着最大似然估计的结果靠近。
example_屏蔽侮辱性言论
# version:python3.7.3
# author:hty
# date:2020.5.3
from numpy import *
import re
import os
# 加载数据
def loadDataSet():
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']]
# 1代表有辱骂单词
classVec = [0, 1, 0, 1, 0, 1]
return postingList, classVec
def createVocabList(dataSet):
'''
function:创建一个包含数据集中所有单词的list
'''
vocabSet = set([])
for document in dataSet:
vocabSet = vocabSet | set(document)
return list(vocabSet)
def setOfWords2Vec(vocabList, inputSet):
'''
function:将输入文档各个单子转化为向量,0表示不存在,1表示存在
'''
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
def trainNB0(trainMatrix, trainCategory):
'''
function:朴素贝叶斯分类训练函数
Parameters:利用setOfWords2Vec函数将数据集所有文本信息转化为0/1数字,形成的文档矩阵;每篇文档是否为侮辱性文档的向量
return:
p0Vect:类别0所有文档中各个词条出现的频数p(wi|c0)
p1Vect:类别1所有文档中各个词条出现的频数p(wi|c1)
pAbusive:p(c1)
'''
# 有几篇文档
numTrainDocs = len(trainMatrix)
# 数据集一共有多少单词
numWords = len(trainMatrix[0])
# 含有侮辱性单词的文档/总文档数,贝叶斯公式中的p(c1)
pAbusive = sum(trainCategory)/float(numTrainDocs)
# p0Num,p0Num是用于计算p0Vec,p1Vec的分子
p0Num = ones(numWords); p1Num = ones(numWords) # 本来是zeros,计算p(w1|c1)*p(w2|c1)*p(w3|c1)···,为削弱概率为0时带来的影响,所以换为1。
# 这两个是用以计算的分母
p0Denom = 2.0; p1Denom = 2.0
for i in range(numTrainDocs):
# 如果是c1类别
if trainCategory[i] == 1:
# 这个文本包含的单词,在p1Num中全部+1,统计各个c1中各个单词出现的次数
p1Num += trainMatrix[i]
# 统计c1中出现的单词总数
p1Denom += sum(trainMatrix[i])
#print('p1Denom', p1Denom)
else:
# 同上
p0Num += trainMatrix[i]
p0Denom += sum(trainMatrix[i])
# p1Vect,p0Vect分别代表着类别1所有文档中各个词条出现的频数p(wi|c1),类别0所有文档中各个词条出现的频数p(wi|c0),这是两个向量。
# 本来是没有log,考虑到后面有许多很小的数要连乘,可能会四舍五入为0,为削弱这种影响,取log
# p1Vect,p0Vect是原本的p(wi|c0),p(wi|c1)取Log!!!
p1Vect = log(p1Num/p1Denom)
p0Vect = log(p0Num/p0Denom)
return p0Vect, p1Vect, pAbusive
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
'''
function:判断类别
Parameters:
vec2Classify:待判断的文本向量
'''
# 实际上计算的是贝叶斯公式的分子部分,因为分母部分都一样,所以省略了。
# p1=p(w0|c1)*p(w1|c1)*p(w2|c1)*p(c1)---->p1=logp(w0|c1)+logp(w1|c1)+logp(w2|c1)+log(c1)
p1 = sum(vec2Classify * p1Vec) + log(pClass1)
# 同上
p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1)
if p1 > p0:
return 1
else:
return 0
def testingNB():
'''
function:便捷函数,都整合到这个函数里了
'''
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))
testingNB()
example_过滤垃圾邮件
# 接上面的部分
def bagOfWords2VecMN(vocabList, inputSet):
'''
function:由词集模型改为词袋模型,主要区别就是单词个数可以为多次
'''
returnVec = [0]*len(vocabList)
for word in inputSet:
if word in vocabList:
returnVec[vocabList.index(word)] += 1
return returnVec
def textParse(bigString):
import re
listOfTokens = re.split(r'\W+', bigString)
# 将单词字母数大于两个的单子全部小写,
return [tok.lower() for tok in listOfTokens if len(tok) > 2]
def spamTest():
'''
function:主函数
'''
# docList是包含所有文本信息,一个邮件是一个列表;classList是邮件类别列表,1代表垃圾邮件;fullText是所有单词组成的列表
docList=[]; classList = []; fullText =[]
# 读取所有邮件的信息
for i in range(1, 26):
wordList = textParse(open('email/spam/%d.txt' % i).read())
docList.append(wordList)
fullText.extend(wordList)
classList.append(1)
wordList = textParse(open('email/ham/%d.txt' % i).read())
docList.append(wordList)
fullText.extend(wordList)
classList.append(0)
# 创建单词本
vocabList = createVocabList(docList)
trainingSet = list(range(50)); testSet=[]
# 选取10个作为测试样本
for i in range(10):
randIndex = int(random.uniform(0,len(trainingSet)))
testSet.append(trainingSet[randIndex])
del(trainingSet[randIndex])
trainMat=[]; trainClasses = []
# 训练样本,得到训练样本的数据集和对应类别
for docIndex in trainingSet:
trainMat.append(bagOfWords2VecMN(vocabList, docList[docIndex]))
trainClasses.append(classList[docIndex])
# 利用贝叶斯公式,得到p0V,p1V,pSpam
p0V,p1V,pSpam = trainNB0(array(trainMat),array(trainClasses))
errorCount = 0
# 开始对测试样本进行计算
for docIndex in testSet:
wordVector = bagOfWords2VecMN(vocabList, docList[docIndex])
# 如果经过贝叶斯公式计算出的分类不对,那么错误数+1
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))
spamTest()
后记
《机器学习实战》还有一个例子,但是我找不到数据集,就不做了,不过大体意思是一样的。都是利用贝叶斯公式来计算概率的。
这一次耗时还是比较长的,主要把时间花在理解贝叶斯公式上了,一定要静下心来看书上的解释,光看别人讲解是不够深刻的,这一章我反复看好几遍了,难点就是对与贝叶斯公式的理解,其实自己仔细看《统计学习方法》,一遍看不懂,就看下一遍,实在看不懂就去找下相关的博客辅助一下,就能搞的差不多!
感觉最近看书比较多,都没怎么敲代码,可能后面要穿插更新一些别的内容了(还是周更)。
这里强烈推荐B站一个宝藏UP机器学习系列 shuhuai008 机器学习白板推导,UP讲的非常详细,后面有些章节也可以学习,非常推荐!!!
白板推导
https://www.bilibili.com/video/BV1aE411o7qd
先验概率和后验概率
https://blog.csdn.net/snailpeople/article/details/86064687
最大似然估计和最大后验概率估计
https://blog.csdn.net/u011508640/article/details/72815981