朴素贝叶斯(Navie Bayes)法是基于贝叶斯定理与特征条件独立假设的分类方法
独立性
一般的
A
事件发生对
全概率公式
事件
B1
,
B1
,
B2
,
B3
...
Bn
是样本空间
S
的一个划分,且
贝叶斯(Bayes)公式
事件
B1
,
B1
,
B2
,
B3
...
Bn
是样本空间
S
的一个划分
其中 P(Bi) 是先验概率(Prior probability), P(Bi|A) 叫做后验概率(Posterior probability), 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。
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”。
朴素贝叶斯算法
当前要分类的特征向量为
X
,朴素贝叶斯算法的思想就是分别计算在
因为所有概率分母 P(X) 相同,那么直接比较分子即可,即求 maxP(X|yi)P(yi)
其中 X=(x1,x2,x3,x4,x5,x1...xn) , xi 代表每个维度的值
maxP(X|yi)P(yi)=maxP((x1,x2,x3,x4,x5,x1...xn)|yi)(yi)
朴素贝叶斯假设每个特征维度都具有独立性,这一假设使得朴素贝叶斯在计算上变得简便,但有时会牺牲准确率。
maxP((x1,x2,x3,x4,x5,x1...xn)|yi)(yi)=maxP(yi)ΠjP(xj|yi)
计算每个类别下的概率分布与Laplace校准
由上面的公式可知,我们需要计算 P(yi)和P(xi|yi) ,如果特征划分都是离散值,那么只需要在当前类别下分别计算每个特征项的概率即可。但是,再连续情况下,我们假设特征项符合正太分布,然后我们使用高斯公式来计算概率。
其中,如果计算特征概率时候出现0怎么办,在此我们给每一个特征项都加1,那么训练样本在足够大的时候,就不会影响概率值了。
朴素贝叶斯实战demo
from numpy import *
# 自定义一个数据集,包含有侮辱性评论和正常评论
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']]
classVec = [0,1,0,1,0,1] #1 is abusive, 0 not
return postingList,classVec
# 根据词袋模型,创建词袋集合
def createVocabList(dataSet):
vocabSet = set([]) #create empty set
for document in dataSet:
vocabSet = vocabSet | set(document) #union of the two sets 合并两个集合,不断将数据集中的单词加到词袋里,并且保证词袋里面的单词不重合
return list(vocabSet) # 返回词袋集合
# 输入词袋集合和输入集合,来计算特征向量
def setOfWords2Vec(vocabList, inputSet):
returnVec = [0]*len(vocabList) # 创建一个和词袋一样大小的特征向量
for word in inputSet: # 双层循环分别遍历输入数据和词袋,如果输入数据中的单词出现在词袋中,那么将对应位置置1
if word in vocabList:
returnVec[vocabList.index(word)] = 1
else: print "the word: %s is not in my Vocabulary!" % word
return returnVec # 返回特征向量
# 训练模型,trainMatrix是训练矩阵,trainCategory是类别矩阵
def trainNB0(trainMatrix,trainCategory):
numTrainDocs = len(trainMatrix) # 计算有多少个训练样本
numWords = len(trainMatrix[0]) # 计算特征向量的维度
pAbusive = sum(trainCategory)/float(numTrainDocs) # 计算所有评论中侮辱性评论的比率
p0Num = ones(numWords); p1Num = ones(numWords) #change to ones() P0num,p1num都是用来计算每个特征项的频率,以防出现概率为0,故将每个特征维度都加1
p0Denom = 2.0; p1Denom = 2.0 #change to 2.0 p0Demo,P1Ddemo用来计算每个类别下的总词数
for i in range(numTrainDocs):
if trainCategory[i] == 1:
p1Num += trainMatrix[i]
p1Denom += sum(trainMatrix[i])
else:
p0Num += trainMatrix[i]
p0Denom += sum(trainMatrix[i])
p1Vect = log(p1Num/p1Denom) #change to log() 在python中很多个很小的数相乘四舍五入可能造成积为0,所以我们用log(ab)=log(a)+log(b)代替ab
p0Vect = log(p0Num/p0Denom) #change to log()
return p0Vect,p1Vect,pAbusive # 返回每个类别下单词出现的概率和侮辱性评论的概率
# 根据训练完的模型来计算待分类样本的类别,vec2Classify为待分类样本
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
p1 = sum(vec2Classify * p1Vec) + log(pClass1) #element-wise mult vec2Classify为一个非1即0的矩阵,vec2Classify*p1vec即可得log[p(x1|y)p(x2|y)...]
p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1)
if p1 > p0:
return 1
else:
return 0
def testingNB():
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)