朴素贝叶斯模型:文本分类垃圾邮件分类

最新推荐文章于 2024-04-10 20:04:00 发布

小壁虎的春天

最新推荐文章于 2024-04-10 20:04:00 发布

阅读量724

点赞数

原文链接：http://blog.sina.com.cn/s/blog_13ec1876a0102xnqn.html

版权

学习了那么多机器学习模型，一切都是为了实践，动手自己写写这些模型的实现对自己很有帮助的，坚持，共勉。本文主要致力于总结贝叶斯实战中程序代码的实现（python）及朴素贝叶斯模型原理的总结。python的numpy包简化了很多计算，另外本人推荐使用pandas做数据统计。

一、引言

让你猜测一个身高2.16的人的职业，你一般会猜测他是篮球运动员。这个原理就是朴素贝叶斯原理，因为篮球运动员大多身高很高，所以这个人具有篮球运动员的条件，则猜测他是篮球运动员。

同理，另一个升高1.58的人，你应该不会猜他是篮球运动员。

二、理论

条件贝叶斯公式：p(Ci | x,y)=p(x,y | Ci)*p(Ci) / p(x,y)

计算每个类别的概率，若p(C1 | x,y) > p(~C1 | x,y), 则类别属于类C1，否则不属于类C1。

程序中在模型训练的时候，只需要先在训练样本中计算好先验概率 p(Ci) 和条件概率 p(x,y | Ci) 即可，因为p(x,y)不随Ci变化，不影响p(Ci | x,y)的最好大小。

注：条件贝叶斯是保证条件之间独立的（文档分类中是假设一个词汇出现与其他词汇是否出现无关，然而同一主题的词汇一起出现的概率很高，存在关联），所以这个假设过于简单；尽管如此，然而事实表明，朴素贝叶斯的效果还很好。

三、实战1 -文本分类（应用过滤恶意留言等）

下面是二分类问题，文档只能属于0和1两个类别，

1 载入数据集：6条文本及它们各自的类别，这6条文本作为训练集。

    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]   #1 is abusive, 0 not
       return postingList,classVec

2 创建词汇表：利用集合结构内元素的唯一性，创建一个包含所有词汇的词表。
[python] view plain copy

    def createVocabList(dataSet):
       vocabSet = set([])  #create empty set
       for document in dataSet:
           vocabSet = vocabSet | set(document) #union of the two sets
       return list(vocabSet)

3 把输入文本根据词表转化为计算机可处理的01向量形式：
　　eq，测试文本1： ['love', 'my', 'dalmation']

　　　　词汇表：['cute', 'love', 'help', 'garbage', 'quit', 'I', 'problems', 'is', 'park', 'stop', 'flea', 'dalmation', 'licks', 'food', 'not', 'him', 'buying', 'posting', 'has', 'worthless', 'ate', 'to', 'maybe', 'please', 'dog', 'how', 'stupid', 'so', 'take', 'mr', 'steak', 'my']

　　　　向量化结果：[0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1]

[python] view plain copy

    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

4训练模型：在训练样本中计算先验概率 p(Ci) 和条件概率 p(x,y | Ci)，本实例有0和1两个类别，所以返回p(x,y | 0)，p(x,y | 1)和p(Ci)。
　　此处有两个改进的地方：
　　　　（1）若有的类别没有出现，其概率就是0，会十分影响分类器的性能。所以采取各类别默认1次累加，总类别（两类）次数2，这样不影响相对大小。
　　　　（2）若很小是数字相乘，则结果会更小，再四舍五入存在误差，而且会造成下溢出。采取取log，乘法变为加法，并且相对大小趋势不变。
[python] view plain copy

    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

5 分类：根据计算后，哪个类别的概率大，则属于哪个类别。
[python] view plain copy

    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

6 测试函数：
　　　加载数据集提炼词表；
　　　　训练模型：根据六条训练集计算先验概率和条件概率；
　　　　测试模型：对训练两条测试文本进行分类。
[python] view plain copy

    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)

缺点：词表只能记录词汇是否出现，不能体现这个词汇出现的次数。改进方法：采用词袋模型，见下面垃圾邮件分类实战。

四、实战2-垃圾邮件分类

　　1 对邮件的文本划分成词汇，长度小于2的默认为不是词汇，过滤掉即可。返回一串小写的拆分后的邮件信息。
[python] view plain copy

    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]

2 文档词袋模型：使用数组代替集合数据结构，可以保存词汇频率信息。
[python] view plain copy

    def bagOfWords2VecMN(vocabList, inputSet):
       returnVec = [0]*len(vocabList)
       for word in inputSet:
           if word in vocabList:
               returnVec[vocabList.index(word)] = 1
       return returnVec

3 输入为25封正常邮件和25封垃圾邮件。50封邮件中随机选取10封作为测试样本，剩余40封作为训练样本。
　　　训练模型：40封训练样本，训练出先验概率和条件概率；
　　　测试模型：遍历10个测试样本，计算垃圾邮件分类的正确率。
[python] view plain copy

    def spamTest():
       docList=[]; classList = []; fullText =[]
       for i in range(1,26):
           wordList = textParse(open('email/spam/%d.txt' % i).read())
           # print wordList
           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

五、小结

　　上面我处理的样本的属性值都是分类型的，然而数值型的朴素贝叶斯能处理吗？
　　1 朴素贝叶斯处理数值型数据的方法：
　　（1）区间离散化，设阈值，分段。
　　（2）高斯化：求出概率密度函数，假设变量服从正态分布，根据已有变量统计均值和方差，
　　　　得出概率密度函数，这样就解决了计算连续值作为分类的条件概率值。
　　2 除0问题：
　　　　Laplace校准所有计算均加一，总类别数目加n；
　　3 下溢出：很小的值相乘，四舍五入误差
　　　　采用log 乘法变相加；
　　4移除停用词：也可以提高文本分类的性能

推荐阅读：

1.一个量化策略师的自白（好文强烈推荐）

2.股票期货经典的量化交易策略都在这里了！（源码）

3.期货/股票数据大全查询（历史/实时/Tick/财务等）

4.一个完整的量化交易系统都需要哪些功能？

5.学习Python有哪些书籍？这里有一份书单送给你

6.江湖中常说的“网格交易法”到底是什么？

7.10种经典的日内交易策略模型思路

8.干货 | 量化选股策略模型大全

9.量化金融经典理论、重要模型、发展简史大全