分类算法-朴素贝叶斯算法
1. 概率基础
联合概率:包含多个条件,且所有条件同时成立的概率。记作:P(A,B) = P(A)P(B)
条件概率:事件A在事件B已经发生条件下的发生概率。记作:P(A|B) =P(AB)/P(B)
特性:P(A1,A2|B) = P(A1|B)P(A2|B)-----其中A1,A2相互独立
2. 朴素贝叶斯介绍
贝叶斯公式:
也即:P(B|A) = P(AB)/P(A) = P(A|B)P(B)/P(A)
其中:A可看作文章(词1、词2、词3…)B为文章类别,如科技、娱乐…
sklearn朴素贝叶斯实现API:sklearn.naive_bayes.MultinomialNB
语法:
sklearn.naive_bayes.MultinomialNB(alpha = 1.0)------朴素贝叶斯分类
alpha:拉普拉斯平滑系数(防止分类时某个类别的概率为0)
朴素贝叶斯算法案例
案例流程:
1.加载20类新闻数据,并进行分割
2.生成文章特征词
3.朴素贝叶斯estimator流程进行预估
from sklearn.naive_bayes import MultinomialNB
from sklearn.datasets import fetch_20newsgroups
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
def naviebayes():
"""朴素贝叶斯进行文本分类"""
#获取数据
news = fetch_20newsgroups(subset='all')
#对数据进行分割 x:特征值 y:目标值
x_train, x_test, y_train, y_test = train_test_split(news.data,news.target,test_size=0.25)
#对数据集进行特征抽取
tf = TfidfVectorizer()
#以训练集当中的词的列表进行每篇文章重要性统计
x_train = tf.fit_transform(x_train)
x_test = tf.transform(x_test)
#进行朴素贝叶斯算法的预测
mlt =MultinomialNB(alpha=1.0)
mlt.fit(x_train,y_train)
y_predict = mlt.predict(x_test)
print('预测文章的类别', y_predict)
print('准确率为', mlt.score(x_test,y_test))
if __name__ == '__main__':
naviebayes()
结果为:
朴素贝叶斯分类优缺点
优点:
朴素贝叶斯模型发源于古典数学理论,有稳定的分类效率。
对缺失数据不太敏感,算法也比较简单,常用于文本分类。
分类准确度高,速度快
缺点:
由于使用了样本属性独立性的假设,所以如果样本属性有关联时其效果不好。