1.1 基于朴素贝叶斯决策理论的分类方法
优点:在数据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
适用数据类型:标称型数据
“朴素”——整个形式化过程只做最原始、最简单的假设。
朴素贝叶斯是贝叶斯决策论的一部分,选择具有最高概率的决策。
Thomas Bayes 通过引入先验知识和逻辑推理来处理不确定命题。
概率、条件概率、贝叶斯准则
P(x,y | c)表示在环境条件c下,点(x,y)属于其类的概率是多少
贝叶斯准则:P(c | x)= P(x | c)P(c)/ P(x)即交换条件概率中的条件与结果
P(c | x,y)表示给定某个由x,y表示的数据点,那么该数据点来自类别c的概率是多少?
1.2 使用朴素贝叶斯进行文档分类
通过观察文档中出现的词,并把每个词的出现或者不出现作为一个特征,这样得到的特征数目就会跟词汇表中的词目一样多。
朴素贝叶斯的一般过程:
(1)收集数据:使用RSS源
(2)准备数据:需要数值型或者布尔型数据
(3)分析数据:有大量特征时,绘制特征作用不大,这里使用直方图
(4)训练算法:计算不同的独立特征的条件概率
(5)测试算法:计算错误率
(6)使用算法:一个常见的朴素贝叶斯应用是文档分类,可以在任意的分类场景中使用朴素贝叶斯分类,不一定非要是文本。
朴素贝叶斯分类器通常有两种实现方式:一种是基于贝努利模型实现,一种基于多项式模型实现,我们采用前一种,即假设每个特征同样重要,不考虑词在文档中出现的次数,只考虑出不出现,也可以认为假设词是等权重的。
比如要用来判断留言板的留言是否得当,可能不需要看完所有的1000个单词,而只需要看10~20个特征就足以做出判断。
1.3 使用Python进行文本分类
特征定义:来自文本的词条(token)一个词条是字符的任意组合
准备数据:从文本中构建词向量
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
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
第三个函数setOfWords2Vec(vocabList,inputSet)输入参数为词汇表及某个文档,输出是文档向量,向量的每一元素为1或0,分别表示词汇表中的单词在输入文档中是否出现。
训练算法:从词向量计算概率
准备数据中介绍了如何将一组单词转换为一组数据,然后我们要使用这些数字计算概率,现在已经知道一个词是否出现在一篇文档中,也知道该文档所属的类别。
伪代码:
计算每个类别中的文档数目
对每篇训练文档:
对每个类别:
如果词条出现在文档中——增加该词条的计数值
增加所有词条的计数值
对每个类别:
对每个词条:
将该词条的数目除以总词条数目得到条件概率
返回每个类别的条件概率
朴素贝叶斯分类器训练函数
def trainNB0(trainMatrix,trainCategory):
numTrainDocs = len(trainMatrix)
numWords = len(trainMatrix[0])
pAbusive = sum(trainCategory)/float(numTrainDocs)
p0Num = ones(numWords); p1Num = ones(numWords) #change to ones()
p0Denom = 2.0; p1Denom = 2.0 #change to 2.0
for i in range(numTrainDocs):
if trainCategory[i] == 1:
p1Num += trainMatrix[i]
p1Denom += sum(trainMatrix[i])
else:
p0Num += trainMatrix[i]
p0Denom += sum(trainMatrix[i])
p1Vect = log(p1Num/p1Denom) #change to log()
p0Vect = log(p0Num/p0Denom) #change to log()
return p0Vect,p1Vect,pAbusive
一旦某个词语(侮辱性或者正常词语)在某一文档中出现,则该词对应的个数(p1Num或者p0Num)就加1,而且在所有的文档中,该文档的总词数也相应加1,对于两个类别都要进行同样的处理。
测试算法:根据现实情况修改分类器
存在的问题及解决方案:
(1)利用贝叶斯分类器对文档进行分类时,要计算许多个概率的乘积以获得文档属于某个类别的概率,如果其中一个概率值为0,那么最后的乘积也会为0,所以我们在初始化的时候,将所有词的出现数初始化为1,并将分母初始化为2。
(2)下溢出,太多很小的数相乘,程序会下溢出,或者得不到正确的答案。通过求对数可以避免下溢出或者浮点数舍入导致的错误,同时,采用自然对数进行处理不会有任何损失。
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
p1 = sum(vec2Classify * p1Vec) + log(pClass1) #element-wise mult
p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1)
if p1 > p0:
return 1
else:
return 0
def testingNB():
listOPosts,listClasses = loadDataSet()
myVocabList = createVocabList(listOPosts)
trainMat=[]
for postinDoc in listOPosts:
trainMat.append(setOfWords2Vec(myVocabList, postinDoc))
p0V,p1V,pAb = trainNB0(array(trainMat),array(listClasses))
testEntry = ['love', 'my', 'dalmation']
thisDoc = array(setOfWords2Vec(myVocabList, testEntry))
print testEntry,'classified as: ',classifyNB(thisDoc,p0V,p1V,pAb)
testEntry = ['stupid', 'garbage']
thisDoc = array(setOfWords2Vec(myVocabList, testEntry))
print testEntry,'classified as: ',classifyNB(thisDoc,p0V,p1V,pAb)
准备数据:文档词袋模型
我们将每个词的出现与否作为一个特征,可以描述为词集模型。
如果一个词在文档中出现不止一次,这可能意味着包含该词是否出现在文档中所不能表达的某种信息,这种方法被称为词袋模型。
在词袋中,每个单词可以出现多次;在词集中,每个词只能出现一次。
朴素贝叶斯词袋模型:每当遇到一个单词时,它会增加词向量中的对应值,而不只是将对应的数值设为1。
def bagOfWords2VecMN(vocabList, inputSet):
returnVec = [0]*len(vocabList)
for word in inputSet:
if word in vocabList:
returnVec[vocabList.index(word)] += 1
return returnVec
1.4 示例:使用朴素贝叶斯过滤垃圾邮件
(1)收集数据:提供文本文件
(2)准备数据:将文本文件解析成词条向量
(3)分析数据:检查词条确保解析的正确性
(4)训练算法:使用我们之前建立的trainNB0()函数
(5)测试算法:使用classifyNB()并且构建一个新的测试函数来计算文档集的错误率
(6)使用算法:构建一个完整的程序对一组文档进行分类,将错分的文档输出到屏幕上
准备数据:切分文本
从文档中构建自己的词列表。
使用正则表达式来切分句子,其中分隔符是除单词、数字外的任意字符串。
将空字符去掉,只返回长度大于0的字符串。
测试算法:使用朴素贝叶斯进行交叉验证
文件解析及完整的垃圾邮件测试函数
def textParse(bigString): #input is big string, #output is word list
import re
listOfTokens = re.split(r'\W*', bigString)
return [tok.lower() for tok in listOfTokens if len(tok) > 2]
def spamTest():
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/%d.txt' % i).read())
docList.append(wordList)
fullText.extend(wordList)
classList.append(0)
vocabList = createVocabList(docList)#create vocabulary
trainingSet = range(50); testSet=[] #create test set
for i in range(10):
randIndex = int(random.uniform(0,len(trainingSet)))
testSet.append(trainingSet[randIndex])
del(trainingSet[randIndex])
trainMat=[]; trainClasses = []
for docIndex in trainingSet:#train the classifier (get probs) trainNB0
trainMat.append(bagOfWords2VecMN(vocabList, docList[docIndex]))
trainClasses.append(classList[docIndex])
p0V,p1V,pSpam = trainNB0(array(trainMat),array(trainClasses))
errorCount = 0
for docIndex in testSet: #classify the remaining items
wordVector = bagOfWords2VecMN(vocabList, docList[docIndex])
if classifyNB(array(wordVector),p0V,p1V,pSpam) != classList[docIndex]:
errorCount += 1
print ("classification error",docList[docIndex])
print ('the error rate is: ',float(errorCount)/len(testSet))
#return vocabList,fullText
注意:
问题:UnicodeDecodeError: 'gbk' codec can't decode byte 0xae in position 199: illegal multibyte sequence
解决办法:打开email\ham\23.txt,找到SciFinance?,把?替换成空格即可。
问题:TypeError: 'range' object doesn't support item deletion
解决办法:trainingSet = range(50) 改为 trainingSet = list(range(50))
第一个函数textParse()接受一个大字符串并将其解析为字符串列表。
第二个函数spamTest()对贝叶斯垃圾邮件分类器进行自动化处理。
导入文件夹spam和ham,这里对应的文件是进行打标签的,通过ClassList.append(1/0),将这些数据解析为词列表。
然后构建测试集与训练集。选出的数字所对应的文档添加到测试集,同时也将其从训练集中剔除。
即为k-折交叉验证(留存交叉验证)
接下来的for循环遍历训练集所有文档,对每封邮件基于词汇表并使用setOfWords2Vec()函数来构建词向量。这些词在traindNB0()函数中用于计算分类所需的概率。
然后遍历测试集,对其中每封邮件进行分类。