朴素贝叶斯算法:
是有监督的学习算法,解决的是分类问题,如客户是否流失、是否值得投资、信用等级评定等多分类问题。该算法的优点在于简单易懂、学习效率高、在某些领域的分类问题中能够与决策树、神经网络相媲美。但由于该算法以自变量之间的独立(条件特征独立)性和连续变量的正态性假设为前提,就会导致算法精度在某种程度上受影响。
朴素贝叶斯是贝叶斯决策理论的一部分,所以在讲述朴素贝叶斯之前有必要快速了解一下贝叶斯决策理论。
朴素贝叶斯推断的一些优点:
1 生成式模型,通过计算概率来进行分类,可以用来处理多分类问题
2 对小规模的数据表现很好,适合多分类任务,适合增量式训练,算法也比较简单
朴素贝叶斯推断的一些缺点:
1 对输入数据的表达形式很敏感
2 由于朴素贝叶斯的“朴素”特点,所以会带来一些准确率上的损失
3 需要计算先验概率,分类决策存在错误率
朴素贝叶斯决策的核心思想是 : 选择高概率对应的类别
条件概率的计算公式:
P(gray|bucketB)=P(gray and bucketB)/P(bucketB)
另一种有效计算条件概率的方法为贝叶斯准则
p(c|x)=p(x|c)p©/p(x)
使用条件概率来分类:
应用贝叶斯准则得到:
p(ci|x,y)=p(x,y|ci)p(ci)/p(x,y)
使用这些定义可以定义贝叶斯分类准则为:
如果P(c1|x,y)>P(c2|x,y),那么属于类别c1
如果P(c1|x,y)<P(c2|x,y),那么属于类别c2
接下来是代码实现
1将文本中构建词向量:
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]
return postingList,classVec
def createVocabList(dataSet):
vocabSet = set([]) #create empty set
for document in dataSet:
vocabSet = vocabSet | set(document) #union of the two sets
return list(vocabSet)
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
得到结果如下:
>>> import bayes
>>> listOPosts,listClasses=bayes.loadDataSet()
>>> myVocabList=bayes.createVocabList(listOPosts)
>>> myVocabList
['has', 'maybe', 'him', 'park', 'so', 'is', 'how', 'licks', 'steak', 'help', 'my', 'take', 'cute', 'dalmation', 'problems', 'food', 'flea', 'not', 'I', 'mr', 'posting', 'garbage', 'dog', 'stop', 'buying', 'love', 'quit', 'ate', 'please', 'worthless', 'stupid', 'to']
>>> bayes.setOfWords2Vec(myVocabList,listOPosts[0])
[1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0]
>>> bayes.setOfWords2Vec(myVocabList,listOPosts[3])
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 1, 0, 0, 0, 0, 0,