朴素贝叶斯
核心思想
选择高概率对应的类别
假设:所有的特征之间是统计独立的。
即:
贝叶斯公式
P(A)称为“先验概率”(Prior probability),即在B事件发生之前,我们对A事件概率的一个判断。
P(A|B)称为“后验概率”(Posterior probability),即在B事件发生之后,我们对A事件概率的重新评估。
P(BIA)/P(B)称为“可能性函数”(Likely hood),这是一个调整因子,使得预估概率更接近真实概率。
所以条件概率可以理解为:后验概率=先验概率*调整因子
- 如果“可能性函数”>1,意味着“先验概率“被增强,事件A的发生的可能性变大;
- 如果”可能性函数“=1,意味着B事件无助于判断事件A的可能性;
- 如果”可能性函数“<1,意味着“先验概率“被削弱,事件A的可能性变小。
推理过程
同理
因此
化简得到:
python实现
from numpy import *
# 创建数据集
def loadDataSet():
# 切分好的词条
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']]
# 分类标签
# 1 is abusive(侮辱性词汇), 0 not(非侮辱性词汇)
# 下面的六个数字对应着上面postingList矩阵中的六行,每行对应着一个标签
label = [0, 1, 0, 1, 0, 1]
return postingList, label
# 生成词汇表(无重复的词条)
def createVocabList(dataSet):
# 不重复的词条
vocabSet = set([]) # create empty set
for document in dataSet:
# 取集合vocabSet 和集合document的并集
vocabSet = vocabSet | set(document) # union of the two sets
# list(vocabSet) 即:不重复词条的列表
return list(vocabSet)
# vocabList词汇表
# inputSet输入文档
# 输出为文档向量
# def setOfWords2Vec(vocabList, inputSet):
# # a = [0] * 3
# # -->a=[0, 0, 0]
# # 创建一个与词汇表长度相等的0向量
# returnVec = [0] * len(vocabList)
# # 遍历输入词条的每一个单词,若此单词存在于vocabList中,则把returnVec相应位置的零向量置为1
# # 例
# # vocabList = ['my', 'dog', 'has', 'flea', 'problems', 'help', 'please']
# # returnVec = [0, 0, 0,0, 0, 0,0]
# # inputSet = ['cat', 'dog', 'help']
# # 经过此函数处理之后应该输出
# # the word: ‘cat’ is not in my Vocabulary!
# # returnVec = [0, 1, 0,0, 0, 1,0]
# # 因为cat不在vocabList中,'dog', 'help'在vocabList中
# 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
# 功能与setOfWords2Vec类似
# 区别
# setOfWords2Vec中每个词只能出现一次
# bagOfWords2VecMN每个词可以出现多次
def bagOfWords2VecMN(vocabList, inputSet):
returnVec = [0]*len(vocabList)
for word in inputSet:
if word in vocabList:
returnVec[vocabList.index(word)] += 1
return returnVec
# trainMatrix 输入文档矩阵
# trainCategory 文档类别构成的向量,由0,1构成,
def trainNB0(trainMatrix, trainCategory):
# 训练的文件数目
numTrainDocs = len(trainMatrix) #每行代表一篇文档
# 无重复词汇表中单词的数量
numWords = len(trainMatrix[0])
# 文档属于侮辱性文档的概率
pAbusive = sum(trainCategory) / float(numTrainDocs)
# 词条出现数初始化为1
p0Num = ones(numWords)
p1Num = ones(numWords) # change to ones()
# 分母初始化为2
p0Denom = 2.0
p1Denom = 2.0 # change to 2.0
# 遍历所有文档,如果为1(侮辱性文档)
# 则p1Num+1
for i in range(numTrainDocs):
if trainCategory[i] == 1:
# trainMatrix即为文档向量,
# 即:数据集中的某一行里面的词汇在“无重复词汇表”中对应的词汇位置的向量元素置为1,其他元素为0
# trainMatrix[i]为向量文档的第i行
p1Num += trainMatrix[i]
p1Denom += sum(trainMatrix[i])
else:
p0Num += trainMatrix[i]
p0Denom += sum(trainMatrix[i])
# p1Num向量代表了,对应位置的单词在侮辱性文章中出现的次数
# p1Denom侮辱性文章中的单词总数
p1Vect = log(p1Num / p1Denom) # change to log()
p0Vect = log(p0Num / p0Denom) # change to log()
return p0Vect, p1Vect, pAbusive
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(bagOfWords2VecMN(myVocabList, postinDoc))
p0V,p1V,pAb = trainNB0(array(trainMat),array(listClasses))
testEntry = ['love', 'my', 'dalmation']
thisDoc = array(bagOfWords2VecMN(myVocabList, testEntry))
print(testEntry,'classified as: ',classifyNB(thisDoc,p0V,p1V,pAb))
testEntry = ['stupid', 'garbage']
thisDoc = array(bagOfWords2VecMN(myVocabList, testEntry))
print(testEntry,'classified as: ',classifyNB(thisDoc,p0V,p1V,pAb))
朴素贝叶斯改进之拉普拉斯平滑
由于贝叶斯公式存在下列项
因此,当其中的某一项为0时,则整体为0。
拉普拉斯平滑原理如下:
假设在文本分类中,有3个类,C1,C2,C3,在指定的训练样本中,某个词语K1,在各个类中观测计数分别为0,990,10,K1的概率为0,0.99,0.01,对这三个量使用拉普拉斯平滑的计算方法如下:
1/1003=0.001,991/1003=0.922,11/1003=0.011
在实际的使用中也经常使用加lambda(1>=lambda>=0)来代替简单的加1。如果对N个计数都加上lambda,这时分母也要记得加上N*lambda。