秒懂机器学习---朴素贝叶斯模型:文本分类+垃圾邮件分类

最新推荐文章于 2022-01-28 20:30:51 发布

weixin_33896726

最新推荐文章于 2022-01-28 20:30:51 发布

阅读量535

点赞数

文章标签：人工智能 python 数据结构与算法

原文链接：http://www.cnblogs.com/Renyi-Fan/p/10982895.html

版权

秒懂机器学习---朴素贝叶斯模型:文本分类+垃圾邮件分类

一、总结

一句话总结：

做分类：朴素贝叶斯主要用作分类，无论是判断是否，还是做多个分类，都比较方便和简单

理解公式：p(Ci | x,y)=p(x,y | Ci)*p(Ci) / p(x,y)：理解朴素贝叶斯的话，主要是理解朴素贝叶斯的那个公式

1、朴素贝叶斯模型在生活中的应用实例？

让你猜测一个身高2.16的人的职业：你一般会猜测他是篮球运动员。这个原理就是朴素贝叶斯原理，因为篮球运动员大多身高很高，所以这个人具有篮球运动员的条件，则猜测他是篮球运动员。

2、朴素贝叶斯处理数值型数据的方法？

区间离散化：设阈值，分段。

高斯化：求出概率密度函数，假设变量服从正态分布，根据已有变量统计均值和方差，得出概率密度函数，这样就解决了计算连续值作为分类的条件概率值。

3、如果我的词表里面只记录单词是否出现过，没记录单词出现的次数，那么我如何判断和比较单词在正常邮件词表里面出现的几率和在垃圾邮件词表里面出现的几率？

看在不同词表的命中率：比如我测试邮件选15个单词，估计在正常邮件词表的命中率假设为12/15，在垃圾邮件词表的命中率为7/15,那说明我的邮件较大几率是正常邮件

4、python好用的包推荐？

numpy：numpy包简化了很多计算

pandas：使用pandas做数据统计

5、朴素贝叶斯公式：p(Ci | x,y)=p(x,y | Ci)*p(Ci) / p(x,y) 中的分母项 p(x,y)表示什么？

自然中x和y一起出现的概率，一般是常亮，在朴素贝叶斯机器模型中一般不用计算

6、朴素贝叶斯做文本分类（多个类：比如政治、经济、文化、体育等等）时候需要注意的是什么？

词表有多个：每个分类对应一个词表，所以词表有多个

二、机器学习实战1：朴素贝叶斯模型:文本分类+垃圾邮件分类

转自或参考：机器学习实战1：朴素贝叶斯模型:文本分类+垃圾邮件分类
https://www.cnblogs.com/rongyux/p/5602037.html

　　学习了那么多机器学习模型，一切都是为了实践，动手自己写写这些模型的实现对自己很有帮助的，坚持，共勉。本文主要致力于总结贝叶斯实战中程序代码的实现（python）及朴素贝叶斯模型原理的总结。python的numpy包简化了很多计算，另外本人推荐使用pandas做数据统计。

一引言

　　让你猜测一个身高2.16的人的职业，你一般会猜测他是篮球运动员。这个原理就是朴素贝叶斯原理，因为篮球运动员大多身高很高，所以这个人具有篮球运动员的条件，则猜测他是篮球运动员。

　　同理，另一个升高1.58的人，你应该不会猜他是篮球运动员。

二理论

　　条件贝叶斯公式：p(Ci | x,y)=p(x,y | Ci)*p(Ci) / p(x,y)

　　计算每个类别的概率，若p(C1 | x,y) > p(~C1 | x,y), 则类别属于类C1，否则不属于类C1。

　　程序中在模型训练的时候，只需要先在训练样本中计算好先验概率 p(Ci) 和条件概率 p(x,y | Ci) 即可，因为p(x,y)不随Ci变化，不影响p(Ci | x,y)的最好大小。

　　注：条件贝叶斯是保证条件之间独立的（文档分类中是假设一个词汇出现与其他词汇是否出现无关，然而同一主题的词汇一起出现的概率很高，存在关联），所以这个假设过于简单；尽管如此，然而事实表明，朴素贝叶斯的效果还很好。

三实战1 -文本分类（应用过滤恶意留言等）

　　下面是二分类问题，文档只能属于0和1两个类别，

　　1 载入数据集：6条文本及它们各自的类别，这6条文本作为训练集。

from numpy import *

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

　　2 创建词汇表：利用集合结构内元素的唯一性，创建一个包含所有词汇的词表。

def createVocabList(dataSet):
    vocabSet = set([])  #create empty set
    for document in dataSet:
        vocabSet = vocabSet | set(document) #union of the two sets
    return list(vocabSet)

　　3 把输入文本根据词表转化为计算机可处理的01向量形式：

　　eq，测试文本1： ['love', 'my', 'dalmation']

　　　　词汇表：['cute', 'love', 'help', 'garbage', 'quit', 'I', 'problems', 'is', 'park', 'stop', 'flea', 'dalmation', 'licks', 'food', 'not', 'him', 'buying', 'posting', 'has', 'worthless', 'ate', 'to', 'maybe', 'please', 'dog', 'how', 'stupid', 'so', 'take', 'mr', 'steak', 'my']

　　　　向量化结果：[0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1]

def setOfWords2Vec(vocabList, inputSet):
    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

　　4训练模型：在训练样本中计算先验概率 p(Ci) 和条件概率 p(x,y | Ci)，本实例有0和1两个类别，所以返回p(x,y | 0)，p(x,y | 1)和p(Ci)。

　　此处有两个改进的地方：

　　　　（1）若有的类别没有出现，其概率就是0，会十分影响分类器的性能。所以采取各类别默认1次累加，总类别（两类）次数2，这样不影响相对大小。

　　　　（2）若很小是数字相乘，则结果会更小，再四舍五入存在误差，而且会造成下溢出。采取取log，乘法变为加法，并且相对大小趋势不变。

def trainNB0(trainMatrix,trainCategory):
    numTrainDocs = len(trainMatrix)
    numWords = len(trainMatrix[0])
    pAbusive = sum(trainCategory)/float(numTrainDocs)
    p0Num = ones(numWords); p1Num = ones(numWords)      #change to ones() 
    p0Denom = 2.0; p1Denom = 2.0                        #change to 2.0
    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()
    p0Vect = log(p0Num/p0Denom)          #change to log()

    return p0Vect,p1Vect,pAbusive

　　5 分类：根据计算后，哪个类别的概率大，则属于哪个类别。

def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
    p1 = sum(vec2Classify * p1Vec) + log(pClass1)    #element-wise mult
    p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1)
    if p1 > p0:
        return 1
    else: 
        return 0

　　6 测试函数：

　　　　加载数据集+提炼词表；

　　　　训练模型：根据六条训练集计算先验概率和条件概率；

　　　　测试模型：对训练两条测试文本进行分类。

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)

　　缺点：词表只能记录词汇是否出现，不能体现这个词汇出现的次数。改进方法：采用词袋模型，见下面垃圾邮件分类实战。

四实战2-垃圾邮件分类

　　1 对邮件的文本划分成词汇，长度小于2的默认为不是词汇，过滤掉即可。返回一串小写的拆分后的邮件信息。

def textParse(bigString):    #input is big string, #output is word list
    import re
    listOfTokens = re.split(r'\W*', bigString)
    return [tok.lower() for tok in listOfTokens if len(tok) > 2]

　　2 文档词袋模型：使用数组代替集合数据结构，可以保存词汇频率信息。

def bagOfWords2VecMN(vocabList, inputSet):
    returnVec = [0]*len(vocabList)
    for word in inputSet:
        if word in vocabList:
            returnVec[vocabList.index(word)] += 1
    return returnVec

　　3 输入为25封正常邮件和25封垃圾邮件。50封邮件中随机选取10封作为测试样本，剩余40封作为训练样本。

　　　训练模型：40封训练样本，训练出先验概率和条件概率；

　　　测试模型：遍历10个测试样本，计算垃圾邮件分类的正确率。

def spamTest():
    docList=[]; classList = []; fullText =[]
    for i in range(1,26):
        wordList = textParse(open('email/spam/%d.txt' % i).read())
        # print wordList
        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)
    vocabList = createVocabList(docList)#create vocabulary
    trainingSet = range(50); testSet=[]           #create test set
    for i in range(10):
        randIndex = int(random.uniform(0,len(trainingSet)))
        testSet.append(trainingSet[randIndex])
        del(trainingSet[randIndex])  
    trainMat=[]; trainClasses = []
    for docIndex in trainingSet:#train the classifier (get probs) trainNB0
        trainMat.append(bagOfWords2VecMN(vocabList, docList[docIndex]))
        trainClasses.append(classList[docIndex])
    p0V,p1V,pSpam = trainNB0(array(trainMat),array(trainClasses))
    errorCount = 0
    for docIndex in testSet:        #classify the remaining items
        wordVector = bagOfWords2VecMN(vocabList, docList[docIndex])
        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)
    #return vocabList,fullText

五小结

　　上面我处理的样本的属性值都是分类型的，然而数值型的朴素贝叶斯能处理吗？

　　1 朴素贝叶斯处理数值型数据的方法：
　　（1）区间离散化，设阈值，分段。
　　（2）高斯化：求出概率密度函数，假设变量服从正态分布，根据已有变量统计均值和方差，
　　　　得出概率密度函数，这样就解决了计算连续值作为分类的条件概率值。
　　　　　　参考：http://blog.mythsman.com/?p=2683

　　2 除0问题：
　　　　Laplace校准所有计算均加一，总类别数目加n；

　　3 下溢出：很小的值相乘，四舍五入误差
　　　　采用log 乘法变相加；

　　4移除停用词：也可以提高文本分类的性能

参考：书<机器学习实战> Peter

转载于:https://www.cnblogs.com/Renyi-Fan/p/10982895.html