机器学习：朴素贝叶斯和Logistic回归

朴素贝叶斯（基于概率论的分类方法）

朴素贝叶斯
优点：在数据输入较少的情况下仍然有效，可以处理多类别问题
缺点：对于输入数据的准备方式较为敏感
使用数据类型：标称型数据

关于朴素贝叶斯名词的解释
我们称之为“朴素”，因为整个形式化过程只做最原始，最简单的假设，贝叶斯决策理论的核心思想就是选择具有最高概率的决策。

我们先就只有两个特征值的情况进行说明：
如果p（B1 | A）>p(B2 | A),那么属于类别B1；
如果p（B1 | A）<p(B2 | A),那么属于类别B2。
因此只需要计算比较二者的分子部分即可（因为分母部分相等）

1.准备数据

词表到向量的转化

 1 # 词表到向量的转化
 2 from numpy import *
 3 import re
 4 import random
 5 
 6 def loadDataSet(): #创建样例数据
 7     postingList = [['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'],
 8                    ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'],
 9                    ['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him'],
10                    ['stop', 'posting', 'stupid', 'worthless', 'garbage'],
11                    ['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'],
12                    ['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']]
13     classVec = [0, 1, 0, 1, 0, 1]  #1代表脏话
14     return postingList, classVec
15 
16 def createVocabList(dataSet):  #创建词库 这里就是直接把所有词去重后，当作词库
17     vocabSet = set([])
18     for document in dataSet:
19         vocabSet = vocabSet | set(document)
20     return list(vocabSet)
21 
22 def setOfWords2Vec(vocabList, inputSet):  #文本词向量。词库中每个词当作一个特征，文本中就该词，该词特征就是1，没有就是0
23     returnVec = [0] * len(vocabList)
24     for word in inputSet:
25         if word in vocabList:
26             returnVec[vocabList.index(word)] = 1
27         else:
28             print("the word: %s is not in my Vocabulary!" % word)
29     return returnVec

分析：第一个函数loadDataSet（）创建了一个实验样本。该函数返回的第一个变量是进行词条切分后的文档集合，第二个变量是一个类别标签集合。具体文本处理细节：
需要split函数：split函数
第二个函数是为了创建一个样本图库，以便于对输入数据进行分析
第三个函数则是将各个长短不一的随机训练样本转化为长度格式一致的向量模式。

2.训练算法

从词向量计算概率

30 #这里计算的概率是有关不同类别的一些特征出现的概率大小，所以说是相对固定的，可以应用到判断新输入信息的类别程序中
31 #这段程序应用了很多误差等消法（没错，你没看错，是等消），因为最终的目的是比较大小，而不是具体的数值
32 def trainNB0(trainMatrix, trainCategory):
33     numTrainDocs = len(trainMatrix)
34     numWords = len(trainMatrix[0])
35     pAbusive = sum(trainCategory) / float(numTrainDocs)
36     p0Num = ones(numWords) #防止某个类别计算出的概率为0，导致最后相乘都为0，所以初始词都赋值1，分母赋值为2.
37     p1Num = ones(numWords)
38     p0Denom = 2
39     p1Denom = 2
40     for i in range(numTrainDocs):
41         if trainCategory[i] == 1:
42             p1Num += trainMatrix[i]
43             p1Denom += sum(trainMatrix[i])
44         else:
45             p0Num += trainMatrix[i]
46             p0Denom += sum(trainMatrix[i])
47     p1Vect = log(p1Num / p1Denom)  #这里使用了Log函数，方便计算，因为最后是比较大小，所有对结果没有影响。
48     p0Vect = log(p0Num / p0Denom)
49     return p0Vect, p1Vect, pAbusive

根据现实情况修改分类器

50 #vec2Classify是要分类的向量
51 def classifyNB(vec2Classify,p0Vec,p1Vec,pClass1): #比较概率大小进行判断，
52     p1 = sum(vec2Classify*p1Vec)+log(pClass1)
53     p0 = sum(vec2Classify*p0Vec)+log(1-pClass1)
54     if p1>p0:
55         return 1
56     else:
57         return 0
58 
59 def testingNB():
60     listOPosts,listClasses = loadDataSet()
61     myVocabList = createVocabList(listOPosts)
62     trainMat=[]
63     for postinDoc in listOPosts:
64         trainMat.append(setOfWords2Vec(myVocabList, postinDoc))
65     p0V,p1V,pAb = trainNB0(array(trainMat),array(listClasses))
66     testEntry = ['love', 'my', 'dalmation'] # 测试数据
67     thisDoc = array(setOfWords2Vec(myVocabList, testEntry))
68     print(testEntry,'classified as: ',classifyNB(thisDoc,p0V,p1V,pAb))
69     testEntry = ['stupid', 'garbage'] # 测试数据
70     thisDoc = array(setOfWords2Vec(myVocabList, testEntry))
71     print(testEntry,'classified as: ',classifyNB(thisDoc,p0V,p1V,pAb))
72 
73 if __name__=='__main__':
74     testingNB()

Logistic回归

Logistic回归的主要目的：寻找一个非线性函数sigmod最佳的拟合参数
拟合、插值和逼近是数值分析的三大工具
回归：对一直公式的位置参数进行估计
拟合：把平面上的一些系列点，用一条光滑曲线连接起来
logistic主要思想：根据现有数据对分类边界线建立回归公式、以此进行分类
sigmoid函数：在神经网络中它是所谓的激励函数。当输入大于0时，输出趋向于1，输入小于0时，输出趋向0，输入为0时，输出为0.

梯度上升：要找到某个函数的最大值，最好的方法是沿着该函数的梯度方向探寻
收敛：随着迭代的运行算法的结果和真实结果的误差越来越小，且趋向于一个固定值。
爬山算法：是完完全全的贪心算法，每次鼠目寸光的选择一个当前最优解，英雌只能搜寻到局部最优值
模拟退火算法：也是一种贪心算法但它的sou索过程引入了随机因素，模拟退火算法以一定的概念来接受一个比当前解要差的解，因此有可能会跳出这个局部最优解，达到全局最优解。
处理数据中的缺失值：

使用可用特征的均值来填补缺失值
使用特殊值来填补缺失值，如-1
忽略有缺失值的样本
使用相似样本的均值添补缺失值
使用其它机器学习算法预测缺失值
标签与特征不同，很难确定采用某个合适的值来替换。

from numpy import *
import math
  
def loadDataSet():
  dataMat = []; labelMat = []
  fr = open('testSet.txt')
  for line in fr.readlines():
    lineArr = line.strip().split()
    dataMat.append([1.0, float(lineArr[0]), float(lineArr[1])])
    labelMat.append(int(lineArr[2]))
  return dataMat,labelMat
  
def sigmoid(inX):
  return longfloat(1.0/(1+exp(-inX))) #sigmoid函数公式
  
def gradAscent(dataMatIn, classLabels):
  #dataMatIn 一个2维的数组；classLabels 类别标签
  dataMatrix = mat(dataMatIn)       #转换为矩阵
  labelMat = mat(classLabels).transpose() #得到矩阵的转置矩阵
  m,n = shape(dataMatrix)  #读取矩阵的长度,二维矩阵，返回两个值
  alpha = 0.001     #向目标移动的步长
  maxCycles = 500    #迭代次数 
  weights = ones((n,1))  #ones()函数用以创建指定形状和类型的数组，默认情况下返回的类型是float64。但是，如果使用ones()函数时指定了数据类型，那么返回的就是该类型
  for k in range(maxCycles):       
    h = sigmoid(dataMatrix*weights)   #matrix mult
    error = (labelMat - h)       #vector subtraction
    weights = weights + alpha * dataMatrix.transpose()* error #matrix mult
  return weights
  
def plotBestFit(weights):
  import matplotlib as mpl
  mpl.use('Agg')         #为了防止出现:RuntimeError: could not open display报错
  import matplotlib.pyplot as plt
  dataMat,labelMat=loadDataSet()
  dataArr = array(dataMat)
  n = shape(dataArr)[0] 
  xcord1 = []; ycord1 = []
  xcord2 = []; ycord2 = []
  for i in range(n):
    if int(labelMat[i])== 1:
      xcord1.append(dataArr[i,1]); ycord1.append(dataArr[i,2])
    else:
      xcord2.append(dataArr[i,1]); ycord2.append(dataArr[i,2])
  fig = plt.figure() #figure: 控制dpi、边界颜色、图形大小、和子区( subplot)设置
  ax = fig.add_subplot(111) # 参数111的意思是：将画布分割成1行1列，图像画在从左到右从上到下的第1块，
  ax.scatter(xcord1, ycord1, s=30, c='red', marker='s')
  ax.scatter(xcord2, ycord2, s=30, c='green')
  x = arange(-3.0, 3.0, 0.1)
  y = (-weights[0]-weights[1]*x)/weights[2]
  ax.plot(x, y)
  plt.xlabel('X1'); plt.ylabel('X2');
  plt.savefig('plotBestFit.png')  #因为我是腾讯云服务器,没有图形界面，所以我保存为图片。
  
#随机梯度上升算法
def stocGradAscent0(dataMatrix, classLabels):
  m,n = shape(dataMatrix)
  alpha = 0.01
  weights = ones(n)  #initialize to all ones
  for i in range(m):
    h = sigmoid(sum(dataMatrix[i]*weights))
    error = classLabels[i] - h
    weights = weights + alpha * error * dataMatrix[i] #回归系数的更新操作
  return weights
  
#改进的随机梯度上升算法
def stocGradAscent1(dataMatrix, classLabels, numIter=150):  #较之前的增加了一个迭代次数作为第三个参数，默认值150
  m,n = shape(dataMatrix)
  weights = ones(n)  
  for j in range(numIter):
    dataIndex = range(m)
    for i in range(m):
      alpha = 4/(1.0+j+i)+0.0001 
      randIndex = int(random.uniform(0,len(dataIndex)))  #样本随机选择
      h = sigmoid(sum(dataMatrix[randIndex]*weights))
      error = classLabels[randIndex] - h
      weights = weights + alpha * error * dataMatrix[randIndex] #回归系数的更新操作
      del(dataIndex[randIndex])
  return weights
  
#以回归系数和特征向量作为输入计算对应的sigmoid值
def classifyVector(inX, weights):
  prob = sigmoid(sum(inX*weights))
  if prob > 0.5: return 1.0        #如果sigmoid值大于0.5函数返回1，否则返回0
  else: return 0.0
  
#打开测试集和训练集，并对数据进行格式化处理的函数
def colicTest():
  frTrain = open('horseColicTraining.txt'); frTest = open('horseColicTest.txt')
  trainingSet = []; trainingLabels = []
  for line in frTrain.readlines():
    currLine = line.strip().split('\t')
    lineArr =[]
    for i in range(21):
      lineArr.append(float(currLine[i]))
    trainingSet.append(lineArr)
    trainingLabels.append(float(currLine[21]))
  trainWeights = stocGradAscent1(array(trainingSet), trainingLabels, 1000) #计算回归系数向量
  errorCount = 0; numTestVec = 0.0
  for line in frTest.readlines():
    numTestVec += 1.0
    currLine = line.strip().split('\t')
    lineArr =[]
    for i in range(21):
      lineArr.append(float(currLine[i]))
    if int(classifyVector(array(lineArr), trainWeights))!= int(currLine[21]):
      errorCount += 1
  errorRate = (float(errorCount)/numTestVec)
  print "the error rate of this test is: %f" % errorRate
  return errorRate
#调用函数colicTest()10次，并求结果的平均值
def multiTest():
  numTests = 10; errorSum=0.0
  for k in range(numTests):
    errorSum += colicTest()
  print "after %d iterations the average error rate is: %f" % (numTests, errorSum/float(numTests))