朴素贝叶斯(Naive Bayes)是基于贝叶斯定理与特征条件假设的分类方法。
对于给定的训练数据集，首先基于特征条件独立假设学习输入、输出的联合分布；然后基于此模型，对给定的输入，利用贝叶斯定理求出后验概率最大的输出。
朴素贝叶斯实现简单，学习与预测的效率都很高，是一种常用的方法。
一、朴素贝叶斯的学习与分类
1.1贝叶斯定理
先看什么是条件概率
表示事件已经发生的前提下，事件A发生的概率，叫做事件发生下事件的条件概率。其基本求解公式为
贝叶斯定理便是基于条件概率，通过来求：
顺便提一下，上式中的分母，可以根据全概率公式分解为：
1.2 特征条件独立假设
这一部分开始朴素贝叶斯的理论推导，从中你会深刻地理解什么是特征条件独立假设。
给定训练数据集，其中每个样本都包括维特征，即，类标记集合含有种类别，即
如果现在来了一个新样本我们要怎么判断它的类别?从概率的角度来看，这个问题就是给定，它属于哪个类别的概率更大。那么问题就转化为求解中最大的那个，即求后验概率最大的输出：
那怎么求解？答案就是贝叶斯定理：
根据全概率公式，可以进一步分解上式中的分母：
先不管分母，分子中的是先验概率，根据训练集就可以简单地计算出来，而条件概率，它的参数规模是指数数量级别的，假设第维特征可取值的个数有个，类别取值个数为个，那么参数个数为
这显然是不可行的。针对这个问题，朴素贝叶斯算法对条件概率分布做了独立性的假设，通俗地讲就是说假设各个维度的特征互相独立，由于这是一个较强的假设，朴素贝叶斯算法也因此得名。在这个假设的前提上，条件概率可以转化为：
这样参数规模就降到了
以上就是针对条件概率所作出的特征条件独立性假设，至此，先验概率和条件概率的求解问题就都解决了，那么我们是不是可以求解我们所需要的后验概率了
答案是肯定的。我们继续上面关于的推导，将公式2代入公式1中得到：
于是朴素贝叶斯分类器可表示为：
因为对于所有的，上式中的分母的值都是一样的(为什么？注意到全加符号就容易理解了)，所以可以忽略分母部分，朴素贝叶斯分裂期最终表示为：
二、朴素贝叶斯法的参数估计
2.1 极大似然估计
根据上述，可知朴素贝叶斯要学习的东西就是和，可以应用极大似然估计法估计相应的概率(简单讲，就是用样本来推断模型的参数，或者说是使得似然函数最大的参数)。
先验概率的极大似然估计是
也就是用样本中的出现次数除以样本容量。
推导如下：
设第个特征可能取值的集合为，条件概率的极大似然估计是：
式中，是第个样本的第个特征。
例题如下：
2.2 贝叶斯估计
极大似然估计有一个隐患，假设训练数据中没有出现某种参数与类别的组合怎么办？比如上例中当对应的的取值只有和。这样可能会出现所要估计的概率值为0的情况，但是这不代表真实数据中就没有这样的组合。这时会影响到后验概率的计算结果，使分类产生偏差。解决办法是贝叶斯估计。
条件概率的贝叶斯估计：
其中，表示可能取值的中数。分子和分母分别比极大似然估计多了一点东西，其意义为在随机变量各个取值的频数上赋予一个正数。当时就是极大似然估计。常取，这时称为拉普拉斯平滑。
先验概率的贝叶斯估计：
例题如下：
三、python代码实现
3.1 朴素贝叶斯文档分类
# -*- coding: utf-8 -*-
from numpy import *
class Naive_Bayes:
def __init__(self):
self._creteria = "NB"
#创建不重复词集
def _creatVocabList(self,dataSet):
vocabSet = set([]) # 创建一个空的SET
for document in dataSet:
vocabSet = vocabSet | set(document) # 并集
return list(vocabSet) # 返回不重复词表(SET的特性)
#文档词集向量模型
def _setOfWordToVec(self,vocabList, inputSet):
"""
功能:给定一行词向量inputSet，将其映射至词库向量vocabList，出现则标记为1，否则标记为0.
"""
returnVec = [0] * len(vocabList)
for word in inputSet:
if word in vocabList:
returnVec[vocabList.index(word)] = 1
return returnVec
#文档词袋模型
def _bagOfsetOfWordToVec(self,vocabList, inputSet):
"""
功能：对每行词使用第二种统计策略，统计单个词的个数，然后映射到此库中
输出：一个n维向量，n为词库的长度，每个取值为单词出现的次数
"""
returnVec = [0] * len(vocabList)
for word in inputSet:
if word in vocabList:
returnVec[vocabList.index(word)] += 1 #更新此处代码
return returnVec
def _trainNB0(self,trainMatrix, trainCategory):
"""
输入：训练词矩阵trainMatrix与类别标签trainCategory,格式为Numpy矩阵格式
功能：计算条件概率p0Vect、p1Vect和类标签概率pAbusive
"""
numTrainDocs = len(trainMatrix)#样本个数
numWords = len(trainMatrix[0])#特征个数，此处为词库长度
pAbusive = sum(trainCategory) / float(numTrainDocs)#计算负样本出现概率(先验概率)
p0Num = ones(numWords)#初始词的出现次数为1，以防条件概率为0，影响结果
p1Num = ones(numWords)#同上
p0Denom = 2.0#类标记为2，使用拉普拉斯平滑法,
p1Denom = 2.0
#按类标记进行聚合各个词向量
for i in range(numTrainDocs):
if trainCategory[i] == 0:
p0Num += trainMatrix[i]
p0Denom += sum(trainMatrix[i])
else:
p1Num += trainMatrix[i]
p1Denom += sum(trainMatrix[i])
p1Vect = log(p1Num / p1Denom)#计算给定类标记下，词库中出现某个单词的概率
p0Vect = log(p0Num / p0Denom)#取log对数，防止条件概率乘积过小而发生下溢
return p0Vect, p1Vect, pAbusive
def _classifyNB(self,vec2Classify, p0Vec, p1Vec, pClass1):
"""
该算法包含四个输入:
vec2Classify表示待分类的样本在词库中的映射集合，
p0Vec表示条件概率P(wi|c=0)P(wi|c=0)，
p1Vec表示条件概率P(wi|c=1)P(wi|c=1)，
pClass1表示类标签为1时的概率P(c=1)P(c=1)。
p1=ln[p(w1|c=1)p(w2|c=1)…p(wn|c=1)p(c=1)]
p0=ln[p(w1|c=0)p(w2|c=0)…p(wn|c=0)p(c=0)]
log取对数为防止向下溢出
功能:使用朴素贝叶斯进行分类,返回结果为0/1
"""
p1 = sum(vec2Classify * p1Vec) + log(pClass1)
p0 = sum(vec2Classify * p0Vec) + log(1 - pClass1)
if p1 > p0:
return 1
else:
return 0
#test
def testingNB(self,testSample):
"step1：加载数据集与类标号"
listOPosts, listClasses = loadDataSet()
"step2：创建词库"
vocabList = self._creatVocabList(listOPosts)
"step3：计算每个样本在词库中出现的情况"
trainMat = []
for postinDoc in listOPosts:
trainMat.append(self._bagOfsetOfWordToVec(vocabList, postinDoc))
p0V, p1V, pAb = self._trainNB0(trainMat, listClasses)
"step4：测试"
thisDoc = array(self._bagOfsetOfWordToVec(vocabList, testSample))
result=self._classifyNB(thisDoc, p0V, p1V, pAb)
print testSample, 'classified as:', result
# return result
###
# 加载数据集
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
#测试
if __name__=="__main__":
clf = Naive_Bayes()
testEntry = [['love', 'my', 'girl', 'friend'],
['stupid', 'garbage'],
['Haha', 'I', 'really', "Love", "You"],
['This', 'is', "my", "dog"],
['maybe','stupid','worthless']]
for item in testEntry:
clf.testingNB(item)
3.2 使用朴素贝叶斯过滤垃圾邮件
# -*- coding: utf-8 -*-
import re
import Bayes
from numpy import *
# mysent='This book is the best book on Python or M.L I have ever laid eyes upon.'
# regEx = re.compile('\\W*')
# listOfTokens=regEx.split(mysent)
# tok=[tok.upper() for tok in listOfTokens if len(tok)>0]
# print tok
#
# emailText=open('email/ham/6.txt').read()
# listOfTokens=regEx.split(emailText)
# print listOfTokens
def textParse(bigString):
import re
listOfTokens=re.split(r'\w*',bigString)
return [tok.lower() for tok in listOfTokens if len(tok)>2]
def spamTest():
clf = Bayes.Naive_Bayes()
docList=[]
classList=[]
fullText=[]
for i in range(1,26):
wordList=textParse(open('email/spam/%d.txt'%i).read())
docList.append(wordList)
fullText.extend(wordList)
classList.append(1)
wordList=textParse(open('email/ham/%i.txt'%i).read())
docList.append(wordList)
fullText.extend(wordList)
classList.append(0)
vocabList=clf._creatVocabList(docList)
trainingSet=range(50);testSet=[]
for i in range(10):
randIndex=int(random.uniform(0,len(trainingSet)))
testSet.append(trainingSet[randIndex])
del(trainingSet[randIndex])
trainMatix=[];trainClasses=[]
for docIndex in trainingSet:
trainMatix.append(clf._bagOfsetOfWordToVec(vocabList,docList[docIndex]))
trainClasses.append(classList[docIndex])
p0V,p1V,pSpam=clf._trainNB0(array(trainMatix),array(trainClasses))
errorCount = 0
for docIndex in testSet:
wordVector = clf._bagOfsetOfWordToVec(vocabList,docList[docIndex])
if clf._classifyNB(array(wordVector), p0V, p1V, pSpam)!=classList[docIndex]:
errorCount+=1
print 'the error rate is :',float(errorCount)/len(testSet)
四、参考资料
- 维基百科：Naive Bayes classifier
- 数学之美番外篇：平凡而又神奇的贝叶斯方法
- 朴素贝叶斯理论推导与三种常见模型
- 机器学习实战
应统联盟机器学习群成立啦，我们会在群里分享有关python、数据分析、大规模数据处理、机器学习、深度学习、计算机视觉、自然语言处理、计算广告、推荐系统等相关的干货猛料，也欢迎大家在群内抛出相关的问题，可以在群内集思广益解决。欢迎扫一扫加入社群，备注【应统联盟机器学习群】。
扫一扫
355
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
