优点
- 对待预测样本进行预测,过程简单速度快(想想邮件分类的问题,预测就是分词后进行概率乘积,在log域直接做加法更快)。
- 对于多分类问题也同样很有效,复杂度也不会有大程度上升。
- 在分布独立这个假设成立的情况下,贝叶斯分类器效果奇好,会略胜于逻辑回归,同时我们需要的样本量也更少一点。
- 对于类别类的输入特征变量,效果非常好。对于数值型变量特征,我们是默认它符合正态分布的。
缺点
- 对于测试集中的一个类别变量特征,如果在训练集里没见过,直接算的话概率就是0了,预测功能就失效了。当然,我们前面的文章提过我们有一种技术叫做『平滑』操作,可以缓解这个问题,最常见的平滑技术是拉普拉斯估测。
- 那个…咳咳,朴素贝叶斯算出的概率结果,比较大小还凑合,实际物理含义…恩,别太当真。
- 朴素贝叶斯有分布独立的假设前提,而现实生活中这些predictor很难是完全独立的。
最常见应用场景
- 文本分类/垃圾文本过滤/情感判别:这大概会朴素贝叶斯应用做多的地方了,即使在现在这种分类器层出不穷的年 代,在文本分类场景中,朴素贝叶斯依旧坚挺地占据着一席之地。原因嘛,大家知道的,因为多分类很简单,同时在文本数据中,分布独立这个假设基本是成立的。 而垃圾文本过滤(比如垃圾邮件识别)和情感分析(微博上的褒贬情绪)用朴素贝叶斯也通常能取得很好的效果。
- 多分类实时预测:这个是不是不能叫做场景?对于文本相关的多分类实时预测,它因为上面提到的优点,被广泛应用,简单又高效。
- 推荐系统:是的,你没听错,是用在推荐系统里!!朴素贝叶斯和协同过滤(Collaborative Filtering)是一对好搭档,协同过滤是强相关性,但是泛化能力略弱,朴素贝叶斯和协同过滤一起,能增强推荐的覆盖度和效果。
运行代码如下
package spark.logisticRegression
import org.apache.spark.mllib.classification.NaiveBayes
import org.apache.spark.mllib.linalg.Vectors
import org.apache.spark.mllib.regression.LabeledPoint
import org.apache.spark.mllib.util.MLUtils
import org.apache.spark.{SparkContext, SparkConf}
/**
* 朴素贝叶斯僵尸粉鉴定(朴素贝叶斯需要非负特征值)
* 正常用户标记为1,虚假用户标记为0
* V(v1,v2,v3)
* v1 = 已发微博/注册天数
* v2 = 好友数量/注册天数
* v3 = 是否有手机
* 已发微博/注册天数 < 0.05, V1 = 0
* 0.05 <= 已发微博/注册天数 < 0.75, V1 = 1
* 0.75 <= 已发微博/注册天数, V1 = 2
* Created by eric on 16-7-19.
*/
object zombieFansBayes {
val conf = new SparkConf() //创建环境变量
.setMaster("local") //设置本地化处理
.setAppName("ZombieBayes") //设定名称
val sc = new SparkContext(conf)
def main(args: Array[String]) {
val data = sc.textFile("./src/main/spark/logisticRegression/data.txt")
val parsedData = data.map { line =>
val parts = line.split(',')
LabeledPoint(parts(0).toDouble, Vectors.dense(parts(1).split(' ').map(_.toDouble)))
}
val splits = parsedData.randomSplit(Array(0.7, 0.3), seed = 11L) //对数据进行分配
val trainingData = splits(0) //设置训练数据
val testData = splits(1) //设置测试数据
val model = NaiveBayes.train(trainingData, lambda = 1.0) //训练贝叶斯模型
val predictionAndLabel = testData.map(p => (model.predict(p.features), p.label)) //验证模型
val accuracy = 1.0 * predictionAndLabel.filter( //计算准确度
label => label._1 == label._2).count() //比较结果
println(accuracy)
val test = Vectors.dense(0, 0, 10)
val result = model.predict(test)//预测一个特征
println(result)//2
}
}
data.txt
0,1 0 0
0,2 0 0
0,3 0 0
0,4 0 0
1,0 1 0
1,0 2 0
1,0 3 0
1,0 4 0
2,0 0 1
2,0 0 2
2,0 0 3
2,0 0 4
结果如图