前言
分类器有时会产生错误结果,这是要求分类器给出一个最优的类别猜测结果,同时给出这个猜测的概率估计值。
1.使用概率论分布进行分类
2.学习朴素贝叶斯分类器
基于贝叶斯决策理论的分类方法
优点:在数据较少的情况下仍然有效,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;
适用数据类型:标称型数据
朴素贝叶斯是贝叶斯决策理论的一部分,所以讲述朴素贝叶斯之前有必要了解一下贝叶斯决策理论。
贝叶斯决策理论的核心思想:选择最高概率的决策。
条件概率:
A桶:2个白球+2个黑球
B桶:1个白球+2个黑球
证明:P(白球|B桶)=P(白球 and B桶)/P(B桶)
P(白球 and 黑球|B桶) = 1/7 (用B桶中白色球个数除以2个桶中总的球数)
P(B桶) = 3/7 (B桶中有3个球,而球的总数是7)
P(白球|B桶) = P(白球 and B桶)/P(B桶)= 1/3
即 这是因为p(cx)=p(x|c)p(c)
使用条件概率来分类
p1(x, y) >p2(x, y) 那么属性类别1;
p2(x, y) >p1(x, y) 那么属性类别2;
注意:p(c1| x, y) 表示:给定某个由x , y表示的数据点,那么该点来自类别c1的概率是多少?
使用Python进行文本分类
将一个文本片段表示为一个词条向量,其中值为1表示词条出现在文档中,0表示词条为出现。
准备数据:从文本中构建向量
将文本看成单词向量或词条向量,也就是将句子转换成向量。
考虑出现在所有文档中的所有的单词,再决定将哪些词纳入词汇或者说索要的词汇集合,然后将每一篇文档转换为词汇表上的向量。于是
# -*- coding: utf-8 -*-
__author__ = 'Mouse'
from numpy import *
''' 创建一些实验样本,该函数返回的第一个变量是进行词条切分后文档集合 '''
''' 函数返回的第二个变量是一个类别标签的集合,这里有2类,侮辱和 正常言论。
这些文本是由人工标注 ,这些标志信息用于训练程序以便自动检测侮辱留言'''
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 侮辱的文字, 0 not 正常的言论
return postingList, classVec
''' 创建一个包含在所有文档中出现的不重复词的列表,为此使用Python的set数据类型,
将词条输给set构造函数,set就会返回一个不重复词表'''
def createVocabList(dataSet):
# 创建一个空集合,然后将每篇文档返回的新词集合添加到该集合中。
vocabSet = set([]) #create empty set
for document in dataSet:
#操作符|用于求两个集合的并集'''
vocabSet = vocabSet | set(document) #union of the two sets