多种贝叶斯模型构建及文本分类的实现
作者:白宁超
2015年9月29日11:10:02
摘要:当前数据挖掘技术使用最为广泛的莫过于文本挖掘领域,包括领域本体构建、短文本实体抽取以及代码的语义级构件方法研究。常用的数据挖掘功能包括分类、聚类、预测和关联四大模型。本文针对四大模型之一的分类进行讨论。分类算法包括回归、决策树、支持向量机、贝叶斯等,显然,不少涉及机器学习的知识(随后会写些机器学习专题)。本文重点介绍贝叶斯分类,涉及朴素贝叶斯模型、二项独立模型、多项模型、混合模型等知识。在本人研究贝叶斯分类过程中,发现很多博客重复现象严重,并且在构建模型过程中存在大量的问题。包括博客园中最受欢迎的几篇,整个模型构造就不符合理论。索性自己重新查阅外文文献,进而得到很大帮助。本文针对几种模型,采用算法概述、算法公式解析、公式推理、优缺点比较等进行总结。(本文原创,转载注明出处: 多种贝叶斯模型构建及文本分类的实现 )
相关文章
【文本处理】自然语言处理在现实生活中运用
【文本处理】多种贝叶斯模型构建及文本分类的实现
【文本处理】快速了解什么是自然语言处理
【文本处理】领域本体构建方法概述
【文本挖掘(1)】OpenNLP:驾驭文本,分词那些事
【文本挖掘(2)】【NLP】Tika 文本预处理:抽取各种格式文件内容
【文本挖掘(3)】自己动手搭建搜索工具
0 引言
于半月前,针对文本分类进行学习,实验的目的是通过对下图1中的不同情感文本构建训练集模型,对应的下图2是对训练集的注释说明。类标0开头为喜悦类别,类标1开头的为愤怒类别,类别2开头的是厌恶类别,类别3开头的为低落类别。4个训练集文本,分别对应4个分类。如何通过训练集构造分类器,并对测试数据进行验证是本课题的最终目的。其中会涉及贝叶斯公式的理解与实现,文本的预处理(下图1中0_simplifyweibo的训练集是处理过的数据如下图),分词工具的使用,不同贝叶斯模型的构造,试验结果对比。核心思路就两点:1,模型训练阶段 2,分类预测阶段。完整流程如下:
-->训练文本预处理,构造分类器。(即对贝叶斯公式实现文本分类参数值的求解,暂时不理解没关系,下文详解)
-->构造预测分类函数
-->对测试数据预处理
-->使用分类器分类
1 四种模型结构
- 朴素贝叶斯模型 NaiveBayes model NM
- 二项独立模型 Bnary independence model BIM
- 多项式模型 multinomial model MM
- 混合模型 hyorid model HM
- 平滑因子混合模型 hyorid model with new smooth factore HM&NSF
2 朴素贝叶斯分类器
-
思想概述
-- 公式 P( Category | Document) = (P ( Document | Category ) * P( Category))/ P(Document)
-- 朴素贝叶斯分类器: P(c|d)~=P(c)*P(d|c)
-- 训练阶段:对每一个W_k,C_i估计先验条件概率P(w_k|c_i)和概率P(C_i)
-- 分类阶段:计算后验概率,返回使后验概率最大的类
-- C(d)=argmax {P(C_i)*P(d|c_i)
对于一个新的训练文档d,究竟属于如上四个类别的哪个类别?我们可以根据贝叶斯公式,只是此刻变化成具体的对象。
> P( Category | Document):测试文档属于某类的概率
> P( Category)):从文档空间中随机抽取一个文档d,它属于类别c的概率。(某类文档数目/总文档数目)
> (P ( Document | Category ):文档d对于给定类c的概率(某类下文档中单词数/某类中总的单词数)
> P(Document):从文档空间中随机抽取一个文档d的概率(对于每个类别都一样,可以忽略不计算。此时为求最大似然概率)
> C(d)=argmax {P(C_i)*P(d|c_i)}:求出近似的贝叶斯每个类别的概率,比较获取最大的概率,此时文档归为最大概率的一类,分类成功。
综上:对训练集构成训练分类器模型的过程,本质是对参数模型的求解。然后将这些参数在预测方法中使用,根据公式获取最大概率即可完成文档分类。
-
公式推导与解析
朴素贝叶斯公式:(假设条件:当文档d属于类c时,文档d中的元素w的取值与类c中的w的取值是独立关系[实际显示不独立,一种近似处理])
公式解析:
> P(d):从文档空间中随机抽取一个文档d的概率(对于每个类别都一样,可以忽略不计算。此时为求最大似然概率)
> P(c):从文档空间中随机抽取一个文档d,它属于类别c的概率。(某类文档数目/总文档数目)
> (P ( d| c ):文档d对于给定类c的概率(某类下文档中单词数/某类中总的单词数)
> 类别集: c={c1,c2,.....,cn}
> 文档向量: d={w1,w2,.....,wn}
> 类别集: c={c1,c2,.....,cn}
> P(c| d):测试文档d属于某类c的概率(估计条件概率)【估计概率:训练集中进行训练过程,在某种假设条件下实现的】
> MaxP(c| d):测试文档d属于某类c的最大概率
先验条件概率:
将(2)式代入(1)得:(下式中p(d)对于所有的类c都是一样的)
注:只要对上式中的分母求出最大值即可。分母中的左部分通过(某类文档数目/总文档数目)易得,右侧中通过求文档d和c中单词量即可。到此,解决思路和思想都有了,下面基于此完成算法。
-
算法介绍与实现
算法1:文本分类的朴素贝叶斯算法
训练阶段:对每一个w_k,c_i估计先验条件概率p(w_k|c_i)和概率p(c_i)。
分类阶段:计算后验概率,返回使后验概率最大的类。
算法具体实现:
/** * 朴素贝叶斯文本分类器 * 训练阶段 * 算法思想:文档d属于某类c的概率=文档空间随机抽取一个文档d属于某类c的概率*文档中的单词与总单词的比例 * P(c|d)~=P(c)*P(d|c) * P(c)=classDocnum/classAlldocnum * 计算参数: * classDocnum:某类中的文档数目 * classAlldocnum:数据集中总的文档数目 * classWordfru:某类下文档中单词频数 * classAllwordnum:某类中总的单词数 * @param fileDirPath 训练集文件夹目录 */
![](https://i-blog.csdnimg.cn/blog_migrate/8f900a89c6347c561fdf2122f13be562.gif)
![](https://i-blog.csdnimg.cn/blog_migrate/961ddebeb323a10fe0623af514929fc1.gif)
package com.naivebayes.bnc; import java.io.BufferedReader; import java.io.File; import java.io.FileInputStream; import java.io.IOException; import java.io.InputStreamReader; import java.util.HashMap; import java.util.Iterator; import java.util.Map; import jeasy.analysis.MMAnalyzer; /** * @公式 P( Category | Document) = (P ( Document | Category ) * P( Category))/ P(Document) * @朴素贝叶斯分类器: P(c|d)~=P(c)*P(d|c) * @算法思想: * 训练阶段:对每一个W_k,C_i估计先验条件概率P(w_k|c_i)和概率P(C_i) * 分类阶段:计算后验概率,返回使后验概率最大的类 * C(d)=argmax {P(C_i)*P(d|c_i)} * @条件:给定目标值时属性之间相互条件独立。换言之。该假定说明给定实例的目标值情况下。观察到联合的a1,a2...an的概率正好是对每个单独属性的概率乘积: P(a1,a2...an | Vj ) =Πi P( ai| Vj ). * @缺点: 在属性个数比较多或者属性之间相关性较大时,NBC模型的分类效率比不上决策树模型。 * @优点:决策树模型也有一些缺点,比如处理缺失数据时的困难,过度拟合问题的出现,以及忽略数据集中属性之间的相关性等,适用NBC(朴素贝叶斯分类) * @比较:在属性相关性较小时,NBC模型的性能稍微良好。属性相关性较小的时候,其他的算法性能也很好,这是由于信息熵理论决定的。 * @author 白宁超 * */ public class NaiveBayesToClass { //统计某类文档的数目 public static Map<String,Integer> classDocnum=new HashMap<String, Integer>(); //属于类别的单词 总数 public static int classAlldocnum=0; //统计某类中某个单词出现的次数 public static Map<String,Integer> classWordfru=new HashMap<String, Integer>(); //统计某类中的单词总数 public static Map<String,Integer> classAllwordnum=new HashMap<String, Integer>(); /** * 朴素贝叶斯文本分类器 * 训练阶段 * 算法思想:文档d属于某类c的概率=文档空间随机抽取一个文档d属于某类c的概率*文档中的单词与总单词的比例 * P(c|d)~=P(c)*P(d|c) * P(c)=classDocnum/classAlldocnum * 计算参数: * classDocnum:某类中的文档数目 * classAlldocnum:数据集中总的文档数目 * classWordfru:某类下文档中单词频数 * classAllwordnum:某类中总的单词数 * @param fileDirPath 训练集文件夹目录 */ public static void BayesModel(String fileDirPath){ try{ File dir=new File(fileDirPath); if(dir.exists()&&dir.isDirectory()){ File[] files=dir.listFiles(); //获取所有训练集文件 for(File file:files){ String classNo=file.getName().split("\\_")[0];//获取文件类标 FileInputStream stream=new FileInputStream(file); //获取文件流 InputStreamReader strRead=new InputStreamReader(stream,"UTF-8"); //对文件进行读取,且指定编码格式 BufferedReader bufReader = new BufferedReader(strRead); String line=null; //读取文件内容 while((line=bufReader.readLine())!=null){ //统计某类文档的数目 if(classDocnum.containsKey(classNo)){ classDocnum.put(classNo, classDocnum.get(classNo)+1); } else{ classDocnum.put(classNo, 1);//第一次存数据,没有类标,但是已经读取一行,故设置1 } String lineText = line.trim(); //除去字符串开头和末尾的空格或其他字符 String[] words = lineText.split(" "); //遍历所有单词 for(String word:words){ //统计某类中的单词总数 if(classAllwordnum.containsKey(classNo)){ classAllwordnum.put(classNo, classAllwordnum.get(classNo)+1); } else{ classAllwordnum.put(classNo, 1); } //统计某类中某个单词出现的次数 String wordNo=classNo+"_"+word; if(classWordfru.containsKey(wordNo)){ classWordfru.put(wordNo, classWordfru.get(wordNo)+1); } else{ classWordfru.put(wordNo, 1); } } classAlldocnum++; } strRead.close(); } } else{ System.out.println("找不到目录文件"+fileDirPath); } } catch (Exception e) { System.out.println("出错信息描述如下:"+e.getMessage()); } } /** * 对测试文本进行分类预测 * 预测阶段: * @param testText 测试数据集 * @return 返回分类结果 */ public static String PredictReslut(String testText){ //预测结果 String PredictResult=""; testText=SplitWords(testText, " ");// 对测试文档进行中文分词处理 String[] words=testText.split(" "); //对字符串进行分割 double argmax = Double.NEGATIVE_INFINITY;//最大类概率(默认值为负无穷小),是否可以写成0?(无穷小本身就是接近0) Iterator iterator=classDocnum.keySet().iterator();//遍历 while(iterator.hasNext()){ String classNo = (String) iterator.next(); double prior = classDocnum.get(classNo)/(double)classAlldocnum;//先验概率 double classcount=(double)(classAllwordnum.get(classNo)+1);//某一类的最大值 double likelihoodProbability=0; //初始化似然概率 //根据公式求解最大似然概率,其中words相当于属性即多维的 for (int i = 0; i < words.length; i++){ String word_classNo = words[i]+"_"+classNo; //获取测试数据的单词类别 //与训练数据词库进行对比,求得相似的概率 if(classWordfru.containsKey(word_classNo)){ //将连乘装换成对数相加【ln(a*b)=lna+lnb】,提高效率 likelihoodProbability += Math.log(classWordfru.get(word_classNo)/classcount); } else{ likelihoodProbability += Math.log(1/classcount); } } //利用自然对数e^loga = a,取得原始值 likelihoodProbability = Math.exp(likelihoodProbability)*prior; System.out.println("classNo:"+classNo); System.out.println("最大似然概率:"+argmax); System.out.println("似然概率:"+likelihoodProbability); if(likelihoodProbability>argmax){ argmax = likelihoodProbability; //最大似然概率一直保持最大的似然概率 PredictResult = classNo; //返回分类的结果 } } System.out.println("***************************************************"); System.out.println("【朴素贝叶斯最终分类结果:】"+PredictResult); return PredictResult; } /** * 对字符串进行中文分词处理 * @param text 给定预处理的字符串 * @param splitToken 用于分割的标记。如"," * @return 处理后的字符串 */ public static String SplitWords(String text,String splitToken){ String result = null; MMAnalyzer analyzer = new MMAnalyzer(); //极易中文分词 try { result = analyzer.segment(text, splitToken); } catch (IOException e){ e.printStackTrace(); } return result; } }
运行结果:
-
优缺点对比分析
- * @条件:给定目标值时属性之间相互条件独立。换言之。该假定说明给定实例的目标值情况下。观察到联合的a1,a2...an的概率正好是对每个单独属性的概率乘积: P(a1,a2...an | Vj ) =Πi P( ai| Vj ).
- * @缺点: 在属性个数比较多或者属性之间相关性较大时,NBC模型的分类效率比不上决策树模型。
- * @优点:决策树模型也有一些缺点,比如处理缺失数据时的困难,过度拟合问题的出现,以及忽略数据集中属性之间的相关性等,适用NBC(朴素贝叶斯分类)
- * @比较:在属性相关性较小时,NBC模型的性能稍微良好。属性相关性较小的时候,其他的算法性能也很好,这是由于信息熵理论决定的。
3 二项独立模型
-
思想概述
二项独立模型又称为多变量伯努利模型,是朴素贝叶斯最常用的实现模型之一。使用二值向量来表示文档,当w=1时,单词在文档中出现w=0不出现。只是在求解先验概率时候有所变化,其他和朴素贝叶斯一样。后面会涉及平滑因子避免分母为0的问题。
-
分类模型:对于类c_i,单词w_k的先验条件概率
二项独立模型的先验概率:(假设条件:其在一定假设条件下实现的,即给定的类c_i,文档d中单词w_k和w_i是否出现是相互独立的。)
公式解析:
> 其使用二值向量来表示一个文档,即d={w1,w2,...,w|v|},其中w_k属于{0,1}
>|V|:单词表的尺寸
> w_k=1:单词w在文档中出现
> P_ki:P(w_k=1|c_i)
其中文档d可以看做|V|重独立的伯努利试验,对于给定的c_i,文档d的条件概率可以通过(3)估计这里n=|V|,同样文档d的类别可以通过公式(4)决定,把公式(6)代入(2)(4))
> (7)式到(8): ΠA*B=ΣlogA+ΣlogB
> (8)式中可知,虽然模型中考虑单词出现和未出现情况,但是分类起作用的实际上是w_k非零的单词。
参数估计:
模型中用到的参数都是通过训练阶段,从训练数据中学习得到的,通常取它们的最大似然估计(即(1)式中去掉分母p(d)),设训练文档集D={d1,d2,...,d|v|}
类c的概率由下式估计:
> n_i:训练集中类别c_i的 文档数
当类别c_i 的文档数为0,即n_i=0,导致p(c_i)=0.最后最大似然概率为0的后果,该如何避免?
平滑因子的出现:
> n_i:训练集中类别c_i的 文档数
> n_ki:训练文档集中含有w_k,并且类别c_i的文档数
-
算法介绍与实现:
具体代码实现:
![](https://i-blog.csdnimg.cn/blog_migrate/8f900a89c6347c561fdf2122f13be562.gif)
![](https://i-blog.csdnimg.cn/blog_migrate/961ddebeb323a10fe0623af514929fc1.gif)
package com.bernouli.bnc; import java.io.BufferedReader; import java.io.File; import java.io.FileInputStream; import java.io.IOException; import java.io.InputStreamReader; import java.util.HashMap; import java.util.HashSet; import java.util.Iterator; import java.util.Map; import java.util.Set; import jeasy.analysis.MMAnalyzer; public class BernouliBayesClass { //统计某类中文档的数目 public static Map<String,Integer> classcountMap=new HashMap<String, Integer>(); //统计训练集中总文档的数目 public static Integer datacount=0; //训练集中所含单词通过类标进行标记(训练集的单词已经去重,不考虑频数) public static Map<String,Integer> likelihoodMap=new HashMap<String, Integer>(); //所有类词汇集合(总词汇表的长度) public static Set<String> vocabularySet = new HashSet<String>(); /** * 建立朴素贝叶斯文本分类模型 * @param fileDirPath 文件目录 */ public static void BayesModel(String fileDirPath){ try{ File dir=new File(fileDirPath); if(dir.exists()&&dir.isDirectory()){ File[] files=dir.listFiles(); //获取所有训练集文件 //遍历训练集文件 for(File file:files){ String classNo=file.getName().split("\\_")[0];//获取文件类标 FileInputStream stream=new FileInputStream(file); //获取文件流 InputStreamReader strRead=new InputStreamReader(stream,"UTF-8"); //对文件进行读取,且指定编码格式 BufferedReader bufReader = new BufferedReader(strRead); String line=null; //读取文件内容 while((line=bufReader.readLine())!=null){ //统计某类文档的数目 if(classcountMap.containsKey(classNo)){ classcountMap.put(classNo, classcountMap.get(classNo)+1); } else{ classcountMap.put(classNo, 1);//第一次存数据,没有类标,但是已经读取一行,故设置1 } String lineText = line.trim(); //除去字符串开头和末尾的空格或其他字符 String[] words = lineText.split(" "); Set<String> wordaSet = arrayToSet(words);//单词去重,列出词汇表的尺寸 if(!wordaSet.isEmpty()){ vocabularySet.addAll(wordaSet);//加入词汇表集合 } //遍历所有单词 for(String word:words){ String wordNo=word+"_"+classNo; if(likelihoodMap.containsKey(wordNo)){ likelihoodMap.put(wordNo, likelihoodMap.get(wordNo)+1); } else{ likelihoodMap.put(wordNo, 1); } } datacount++; } strRead.close(); } } else{ System.out.println("找不到目录文件"+fileDirPath); } } catch (Exception e) { System.out.println("出错信息描述如下:"+e.getMessage()); } } /** * 将数组转换成Set集合(相当于去重) * @param words * @return */ public static Set<String> arrayToSet(String[] words){ Set<String> wordaSet = new HashSet<String>(); for (String word:words) { if(""!=word&&!word.equals("")){ wordaSet.add(word); } } return wordaSet; } /** * 对字符串进行中文分词处理 * @param text 给定预处理的字符串 * @param splitToken 用于分割的标记。如"," * @return 处理后的字符串 */ public static String SplitWords(String text,String splitToken){ String result = null; MMAnalyzer analyzer = new MMAnalyzer(); //极易中文分词 try{ result = analyzer.segment(text, splitToken); } catch (IOException e){ e.printStackTrace(); } return result; } /** * 对测试文本进行分类预测 * @param testText 测试数据集 * @return 返回分类结果 */ public static String PredictReslut(String testText){ String PredictResult=""; testText=SplitWords(testText, " "); // 对测试文档进行中文分词处理 String[] words=testText.split(" "); //对字符串进行分割 Set<String> wordSet = arrayToSet(words);//单词去重,获取测试集的单词表尺寸 //TODO 不存在的单词的校验 wordSet.addAll(vocabularySet); double argmax = Double.NEGATIVE_INFINITY;//最大类概率(默认值为负无穷小),是否可以写成0?(无穷小本身就是接近0) //for (Iterator iterator = classcountMap.keySet().iterator(); iterator.hasNext();) Iterator iterator=classcountMap.keySet().iterator();//遍历 while(iterator.hasNext()){ String classNo = (String) iterator.next(); double prior = classcountMap.get(classNo)/(double)datacount;//先验概率 double likelihoodProbability=0; //初始化似然概率 //根据公式求解最大似然概率,其中words相当于属性即多维的 for (String word:wordSet){ if(""!=word){ String word_classNo = word+"_"+classNo; //获取测试数据的单词类别 //与训练数据词库进行对比,求得相似的概率 if(likelihoodMap.containsKey(word_classNo)){ //将连乘装换成对数相加【ln(a*b)=lna+lnb】,提高效率 likelihoodProbability += Math.log((likelihoodMap.get(word_classNo)+1)/((double)classcountMap.get(classNo)+2)); } else{ likelihoodProbability +=Math.log((1-1/(double)(classcountMap.get(classNo)+2))); } } } //利用自然对数e^loga = a,取得原始值 likelihoodProbability += Math.exp(likelihoodProbability)*prior; System.out.println("最大似然概率:"+argmax); System.out.println("第["+classNo+"]类似然概率:"+likelihoodProbability); if(likelihoodProbability>argmax){ argmax = likelihoodProbability; //最大似然概率一直保持最大的似然概率 PredictResult = classNo; //返回分类的结果 } } System.out.println("***************************************************"); System.out.println("【伯努利模型最终分类结果:】"+PredictResult); return PredictResult; } public static void main(String[] args) { long beginTime=System.currentTimeMillis(); String filedir="./data_training"; String testText = "南京 爆炸 事件 中 , 南京 电视台 生活 频道 因为 最 早 做 了 现场 直播 而 受到 上级 批评 ; 爆出 “ 最 牛1 官腔 ” 的1 江苏 电视台 城市 频道 也 因 直播 此 事 被 上级 批评 , 相关 栏目 也 面临 停 播 。 不 知道 是 官员 的1 可悲 、 人民 的1 可悲 , 还 是 记者 的1 可悲 ! 一 个 悲剧 的1 社会 ! 真 TM 龌龊"; BayesModel(filedir); PredictReslut(testText); long endTime=System.currentTimeMillis(); long between=endTime-beginTime; System.out.println("共计用时:"+between+"毫秒"); } }
运行结果:
4 多项式模型
-
概述
比BIM更为常用,与BIM不同,多项式,模型考虑单词在文档中的词频信息。最终处理还是后验条件概率在建模和预测的影响,不同于以上先验概率的求解。下面具体剖析。
-
分类模型
模型中,文档可以看做一个长度为f的单词序列(同一个单词可出现多次),并假设文档的长度与类别无关,而且每个单词出现的位置与其他单词独立,设单词w_k在文档中词频f_k。
文档d在给定类别c_i的条件概率p(d|c_i)可由下面公式:
将(11)式代入(4)得多项式模型的分类判别规则:
> 多项式模型在判别文档d的类别时,同样只是使用频数非零的单词。(多项式也是通过文档中出现单词来判定文档类别)
-
参数估计
对于类别c_i的先验概率估计。多项模型与二项模型一样,都使用公式(9)
单词w_k对于类c_i的条件先验条件概率的估计(多项式考虑同一词多次出现)
> n_ki:w_k在类别c_i中出现总次数
> |V|: 训练集中单词表的尺寸
-
算法介绍与实现
算法实现:
![](https://i-blog.csdnimg.cn/blog_migrate/8f900a89c6347c561fdf2122f13be562.gif)
![](https://i-blog.csdnimg.cn/blog_migrate/961ddebeb323a10fe0623af514929fc1.gif)
package com.multinomial.bnc; import java.io.BufferedReader; import java.io.File; import java.io.FileInputStream; import java.io.IOException; import java.io.InputStreamReader; import java.util.HashMap; import java.util.HashSet; import java.util.Iterator; import java.util.Map; import java.util.Set; import jeasy.analysis.MMAnalyzer; public class MultinoBayesclass { //词汇表集合(词汇表的尺寸,不考虑频数,即重复单词) public static Set<String> vocabularySet = new HashSet<String>(); //属于总的单词数 public static Integer datacount=0; //训练文档中含有单词并且类标为某类的单词数 public static Map<String,Integer> likelihoodMap=new HashMap<String, Integer>(); //训练集中某类的单词数 public static Map<String,Integer> classVocabularyMap=new HashMap<String, Integer>(); /** * 建立朴素贝叶斯文本分类模型 * @param fileDirPath 文件目录 */ public static void BayesModel(String fileDirPath){ try{ File dir=new File(fileDirPath); if(dir.exists()&&dir.isDirectory()){ File[] files=dir.listFiles(); //获取所有训练集文件 //遍历训练集文件 for(File file:files){ String classNo=file.getName().split("\\_")[0];//获取文件类标 FileInputStream stream=new FileInputStream(file); //获取文件流 InputStreamReader strRead=new InputStreamReader(stream,"UTF-8"); //对文件进行读取,且指定编码格式 BufferedReader bufReader = new BufferedReader(strRead); String line=null; //读取文件内容 while((line=bufReader.readLine())!=null){ String lineText = line.trim(); //除去字符串开头和末尾的空格或其他字符 String[] words = lineText.split(" "); //加入词汇表集合 for(String word:words){ vocabularySet.add(word); //统计某类中的单词总数 if(classVocabularyMap.containsKey(classNo)){ classVocabularyMap.put(classNo, classVocabularyMap.get(classNo)+1); } else{ classVocabularyMap.put(classNo, 1); } //统计某类中某个单词出现的次数 String wordNo=word+"_"+classNo; if(likelihoodMap.containsKey(wordNo)){ likelihoodMap.put(wordNo, likelihoodMap.get(wordNo)+1); } else{ likelihoodMap.put(wordNo, 1); } } datacount++; } strRead.close(); } } else{ System.out.println("找不到目录文件"+fileDirPath); } } catch (Exception e) { System.out.println("出错信息描述如下:"+e.getMessage()); } } /** * 对测试文本进行分类预测 * @param testText 测试数据集 * @return 返回分类结果 */ public static String PredictReslut(String testText) { int vsSize = vocabularySet.size();//词汇表长度 String PredictResult=""; testText=SplitWords(testText, " ");// 对测试文档进行中文分词处理 String[] words=testText.split(" "); //对字符串进行分割 double argmax = Double.NEGATIVE_INFINITY;//最大类概率(默认值为负无穷小),是否可以写成0?(无穷小本身就是接近0) Iterator iterator=classVocabularyMap.keySet().iterator();//遍历 while(iterator.hasNext()) { String classNo = (String) iterator.next(); double prior = classVocabularyMap.get(classNo)/(double)datacount;//先验概率 double likelihoodProbability=0; //初始化似然概率 //根据公式求解最大似然概率,其中words相当于属性即多维的 for (String word:words) { if(""!=word) { String word_classNo = word+"_"+classNo; //获取测试数据的单词类别 //与训练数据词库进行对比,求得相似的概率 if(likelihoodMap.containsKey(word_classNo)){ //将连乘装换成对数相加【ln(a*b)=lna+lnb】,提高效率 likelihoodProbability +=Math.log((likelihoodMap.get(word_classNo)+1)/((double)classVocabularyMap.get(classNo)+vsSize)); } else{ likelihoodProbability += Math.log((1/(double)(classVocabularyMap.get(classNo)+vsSize))); } } } //利用自然对数e^loga = a,取得原始值 likelihoodProbability +=Math.exp(likelihoodProbability)*prior; System.out.println("最大似然概率:"+argmax); System.out.println("第["+classNo+"]类似然概率:"+likelihoodProbability); if(likelihoodProbability>argmax) { argmax = likelihoodProbability; //最大似然概率一直保持最大的似然概率 PredictResult = classNo; //返回分类的结果 } } System.out.println("***************************************************"); System.out.println("【多项式模型最终分类结果:】"+PredictResult); return PredictResult; } /** * 对字符串进行中文分词处理 * @param text 给定预处理的字符串 * @param splitToken 用于分割的标记。如"," * @return 处理后的字符串 */ public static String SplitWords(String text,String splitToken){ String result = null; MMAnalyzer analyzer = new MMAnalyzer(); //极易中文分词 try{ result = analyzer.segment(text, splitToken); } catch (IOException e){ e.printStackTrace(); } return result; } public static void main(String[] args) { String filedir="./data_training"; String testText = "南京 爆炸 事件 中 , 南京 电视台 生活 频道 因为 最 早 做 了 现场 直播 而 受到 上级 批评 ; 爆出 “ 最 牛1 官腔 ” 的1 江苏 电视台 城市 频道 也 因 直播 此 事 被 上级 批评 , 相关 栏目 也 面临 停 播 。 不 知道 是 官员 的1 可悲 、 人民 的1 可悲 , 还 是 记者 的1 可悲 ! 一 个 悲剧 的1 社会 ! 真 TM 龌龊"; BayesModel(filedir); PredictReslut(testText); } }
运行结果:
5 混合模型
-
思想概述
在估计单词对类别的先验概率时使用二项独立模型,而分类阶段估计类别对于特分类文档的后验概率时,使用多项式模型
-
对比体现
- 二项独立模型缺点:只考虑单词出现和不出现的情况,忽略了频率信息(有可能混淆了重要单词和不重要单词区别)
- 多项式模型缺点:假设过于严格,即假设同一单词在同一文档中的多次出现是独立的(事实并非如此)
- 二项独立模型假设:不同单词在同一文档中多次出现相互独立
- 多项式假设:同一单词在同一文档中多次出现相互独立(显然比较二项式假设更不合理)
实际中,训练文档通常充足,不使用单词在文档中的频率信息,也可以很好的分类,过多考虑频率信息非但不会对分类有帮助,反而起相反作用。但是在训练阶段可以不考虑频率信息,在分类阶段,我们针对文档,这时单词在文档中的频数信息尤为重要。如果 仅仅考虑出现与否,不同类别出现共同频数高的词被忽略,可能导致分类误差大
先验条件概率:通过m估计
> n_ki:w_k与c_i同时出现的次数
> n_i:训练集中类别c_i的出现的次数
> p:w_k在c_i出现的估计概率
> m:等效样本数
注:二项独立模型中取p=1/2,m=2
多项式模型取p=1/|V| , m=|V| |V|:单词表尺寸
然而。实际中某类的局部单词表比整个数据集小得多,因此BIM中估计模型中单词对类条件先验概率取p=1/2不合理。故混淆模型中估计p(w_K|c_i)时,不使用公式(10),而参考MM模型中处理方式取p=1/|v|,m=|v|
> n_ki:训练文档含有单词W_k并且为c_i的文档数
> n_i:训练文档中类别c_i的文档次数
> |V|:单词表尺寸
-
混淆模型的朴素贝叶斯算法
算法2:混淆模型的朴素贝叶斯分类器
训练阶段:利用公式(16)估计先验条件概率p(w_k|c_i),利用公式(9)估计概率p(c_i)。
分类阶段:给定待分类文档d用公式(13)决定它的类别。
6 综述
1. 事先收集处理数据集(涉及网络爬虫和中文切词,特征选取)
2. 预处理:(去掉停用词,移除频数过小的词汇【根据具体情况】)
3. 实验过程:
- 数据集分两部分(3:7):30%作为测试集,70%作为训练集
- 增加置信度:10-折交叉验证(整个数据集分为10等份,9份合并为训练集,余下1份作为测试集。一共运行10遍,取平均值作为分类结果)优缺点对比分析
4. 评价标准:
宏评价&微评价
-
新的平滑因子
引入单词量相关的平滑因子,p仍旧为1/|V|,而等效样本数m则取平均每类包含的单词量的α倍(α<<1)得到:
在算法2中,用公式(11)代替(16)对p(w_k|c_i)进行估计。
7 参考文献
- ESA-Feature selection for text classification with naive bayes.pdf
- 1 - 2 - 2009-ISJ-Feature selection for multi-label naive bayes classification.pdf
- 2 - 1 - 2003-JMLR-An extensive empirical study of feature selection metrics for text classification.pdf
- 2009-TR-Parameter estimation for text analysis.pdf
- 2012-中国计算机学会通讯-机器学习那些事(2012-CACM译文).pdf
- 朴素贝叶斯分类器--维基百科
8 结束语
本文的对之前项目和资料进行整理总结所得,完整的写了一天,对博客园的编辑器小小抱怨,书写公式太不方便 了。抛开次要问题。本文还有待完善的部分:多个数据集分类效果的比较、不同平滑因子分类结果、分类结果的验证(比如10-折交叉验证)、与决策树支持向量机分类的优缺点比较等。在文档整理过程中不少内容没有一一写进了,包括部分内容只是提取核心知识,欢迎大家指正和优化。需要源码可以私信我。笔者接下来研究方向:
- k均值、分层聚类、谱聚类的区别和聚类实现
- 关于主动学习的领域本体构建
- 机器学习算法研究