实现带有拉普拉斯修正的朴素贝叶斯_【机器学习】算法原理详细推导与实现(三):朴素贝叶斯...

【机器学习】算法原理详细推导与实现(三):朴素贝叶斯

在上一篇算法中，逻辑回归作为一种二分类的分类器，一般的回归模型也是是判别模型，也就根据特征值来求结果概率。形式化表示为

，在参数

确定的情况下，求解条件概率

。通俗的解释为：在给定特定特征后预测结果出现的概率。逻辑回归的

是离散型，取值为

。这里将要介绍另一个分类算法

朴素贝叶斯，用以解决

是离散型的数据，这是判别模型，也是一个生成学习算法。

贝叶斯定理

定理推导

朴素贝叶斯是基于贝叶斯原理得到的。假设A和B为两个不相互独立的事件：

由上图可以看出，在事件B已经发生的情况下，事件A发生的概率为事件A和事件B的交集除以事件B：

同理，在事件A已经发生的情况下，事件B发生的概率为事件A和事件B的交集除以事件A：

结合这两个方程式，我们可以得到：

转换后贝叶斯定理的公式定义为：

总的来说，贝叶斯定理可以总结为：

1. 贝叶斯定理是将先验概率做一次更新，得到后验概率
2. 朴素贝叶斯是输入先验概率，找到后验概率，最后找到最大后验概率，作为最终的分类结果，以及分类概率

实际问题

假设我们有两个装满了糖果的碗，第一个碗里有10个巧克力糖果和30个普通糖果，第二个碗里两种糖果都有20个。我们随机挑一个碗，再在碗里随机挑糖果。那么我们挑到的普通糖果来自一号碗的概率有多少？

解决方案

我们用 x1 代表一号碗，x2 代表二号碗。在x1中取到普通糖果的概率是

，即抽到x1的概率是

，再在x1中抽到普通糖果的概率是

，同理可得

。而问题中挑到挑到的普通糖果来自一号碗，已知挑到普通糖果，那么这个普通糖果来自一号碗的概率为：

根据 全概率公式 可知，其中拿到普通糖果的概率为：

计算为：

朴素贝叶斯

例如如果想实现一个垃圾邮件分类器，用邮件作为输入，确定邮件是否为垃圾邮件作为输出，即

，1表示是垃圾邮件0表示不是垃圾邮件，那么问题来了：

给你一封邮件，怎么将邮件转化为特征向量

来表示这个邮件，以及怎样区分这封邮件是否是垃圾邮件

。

电子邮件仅仅是一段文本，就像是一个词列表，因此利用词来构建特征向量

。首先遍历词典，并且得到一个词典中词的列表，假设词典中此的列表如下所示：

假设邮件中存在字典中的词，那么特征向量

就就记为1，不存在就记为0。例如邮件中假设存在词

，则该邮件的特征向量

表示为：

则

，假设词典的长度为50000，那么

就可能有

种向量。如果需要简历多项式用回归模型进行建模分类，那么可能需要

个参数

，很明显看出需要的参数太多了，如果使用梯度下降那么收敛将会非常慢，因此利用朴素贝叶斯算法是一个很好的选择。

算法推导

在朴素贝叶斯算法中，我们会对

做一个假设，假设给定

的时候，其中

，

是条件独立的，根据链式法则可以得到：

为了拟合出模型的参数，符号假设为，其中

是垃圾邮件，

是正常邮件：

假设存在

个样本，那么

和

的组合起来的似然估计表示为：

假设训练样本为

封邮件，

表示包含关键词

，

表示不包含关键词

，则垃圾邮件

里面包含的单词

的极大似然估计为：

上述公式中，分子的含义是从 1到

遍历垃圾邮件内容，对于标签

的邮件计算其中词语

出现的邮件数目之和。换句话说就是，遍历所有垃圾邮件，统计这些垃圾邮件中包含词语

的邮件数目。分母是对

从1到

求和，最后得到垃圾邮件的总数，即分母就是垃圾邮件的数目。

同理，正常邮件

里面包含的单词

的极大似然估计为：

垃圾邮件

的极大似然估计为：

假设

封邮件里面的词向量

和标识

如下所示：

所以当垃圾邮件分类器开始训练时，假设训练垃圾邮件中包含某些词

的概率

：

上式中分母是由 全概率 计算出词

的概率，即假设

在垃圾邮件中没有出现，那么可以得到：

这就意味着如果

在垃圾邮件中没有出现，那么概率为0，这样子很明显是不合理的，无论在数学上会导致无法继续计算，还是从概率的角度来说直接排除

的可能性，其实最好的是

没出现，但是还是会有概率，只是概率很低很低。举个例子来说，如果某个人投篮球，连续5次都是没投中，那么是不是投中的概率为0了，没投中的概率是1了？

为了修正这个方法，这里最好是在分子分母加上一个极小数，防止数学上的无效计算和实际中的绝对不可能发生。

拉普拉斯平滑(Laplace smoothing)

继续上面投篮球的例子，假设没投中的概率记为

，投中的概率记为

，原来的概率为：

如果给每一项都平滑一个极小数1，代表投中篮球和没投中篮球在事先都已经发生过一次了，那么上述式子变成：

那么同理可以知道，

封邮件中，

表示包含关键词

，

表示不包含关键词

，则垃圾邮件

里面包含的单词

的极大似然估计为：

正常邮件

里面包含的单词

的极大似然估计为：

因为

只有两种可能，我们这里也假设事先存在一封垃圾邮件和一封正常邮件，所以分子只需要+1，分母只需要+2。

总结

总的来说，朴素贝叶斯训练阶段为，给定一组已知的训练样本

，可以

得到垃圾邮件中，每一个单词出现的概率：

而在 预测阶段 ，给定一封邮件的单词向量

，求这个邮件是否是垃圾邮件，那么问题就转化为：已知单词

已经发生，求解是否垃圾邮件p(y|x)：

上述中，

的取值只能是

，

的长度应该等于词典中词的数目。

实例

朴素贝叶斯是一个非常优秀的文本分类器，现在大部分垃圾邮件过滤的底层也是基于贝叶斯思想。作者收集了 25 封垃圾邮件， 25 封正常邮件，取 40 封邮件做训练，10 封邮件做测试。

加载数据：

# 打开数据集，获取邮件内容，
# spam为垃圾邮件，ham为正常邮件
def loadData():
    # 选取一部分邮件作为测试集
    testIndex = random.sample(range(1, 25), 5)

    dict_word_temp = []

    testList = []
    trainList = []
    testLabel = []
    trainLabel = []

    for i in range(1, 26):
        wordListSpam = textParse(open('./email/spam/%d.txt' % i, 'r').read())
        wordListHam = textParse(open('./email/ham/%d.txt' % i, 'r').read())
        dict_word_temp = dict_word_temp + wordListSpam + wordListHam

        if i in testIndex:
            testList.append(wordListSpam)
            # 用1表示垃圾邮件
            testLabel.append(1)
            testList.append(wordListHam)
            # 用0表示正常邮件
            testLabel.append(0)
        else:
            trainList.append(wordListSpam)
            # 用1表示垃圾邮件
            trainLabel.append(1)
            trainList.append(wordListHam)
            # 用0表示正常邮件
            trainLabel.append(0)

    # 去重得到词字典
    dict_word = list(set(dict_word_temp))
    trainData = tranWordVec(dict_word, trainList)
    testData = tranWordVec(dict_word, testList)

    return trainData, trainLabel, testData, testLabel

训练函数为：

# 训练函数
def train(trainData, trainLabel):
    trainMatrix = np.array(trainData)

    # 计算训练的文档数目
    trainNum = len(trainMatrix)
    # 计算每篇文档的词条数
    wordNum = len(trainMatrix[0])
    # 文档属于垃圾邮件类的概率
    ori_auc = sum(trainLabel) / float(trainNum)

    # 拉普拉斯平滑
    # 分子+1
    HamNum = np.ones(wordNum)
    SpamNum = np.ones(wordNum)
    # 分母+2
    HamDenom = 2.0
    SpamDenom = 2.0

    for i in range(trainNum):
        # 统计属于垃圾邮件的条件概率所需的数据，即P(x0|y=1),P(x1|y=1),P(x2|y=1)···
        if trainLabel[i] == 1:
            SpamNum += trainMatrix[i]
            SpamDenom += sum(trainMatrix[i])
        else:
            # 统计属于正常邮件的条件概率所需的数据，即P(x0|y=0),P(x1|y=0),P(x2|y=0)···
            HamNum += trainMatrix[i]
            HamDenom += sum(trainMatrix[i])
    # 取对数，防止下溢出
    SpamVec = np.log(SpamNum / SpamDenom)
    HamVec = np.log(HamNum / HamDenom)
    # 返回属于正常邮件类的条件概率数组，属于垃圾邮件类的条件概率数组，文档属于垃圾邮件类的概率
    return HamVec, SpamVec, ori_auc

预测函数：

# 预测函数
def predict(testDataVec, HamVec, SpamVec, ori_auc):
    predictToSpam = sum(testDataVec * SpamVec) + np.log(ori_auc)
    predictToHam = sum(testDataVec * HamVec) + np.log(1.0 - ori_auc)
    if predictToSpam > predictToHam:
        return 1
    else:
        return 0

预测错误一个，错误率 10% ，正确率 90%：

数据和代码下载请即可获取