朴素贝叶斯算法-CSDN博客

贝叶斯定理：朴素贝叶斯算法基于贝叶斯定理，即根据已知的特征来推断相应的类别。贝叶斯定理表达式为：

P(C|X) = P(X|C) * P(C) / P(X)

其中，P(C|X) 表示在给定特征 X 的情况下，类别 C 的后验概率；P(X|C) 表示在类别 C 下，特征 X 出现的条件概率；P(C) 表示类别 C 的先验概率；P(X) 表示特征 X 的边缘概率。
特征条件独立性假设：朴素贝叶斯算法假设特征之间相互独立，即对于给定的类别，特征之间的出现是相互独立的。这一假设简化了条件概率的计算，使得朴素贝叶斯算法具有较高的计算效率。
分类过程：在分类过程中，对于一个新的输入样本，朴素贝叶斯算法计算该样本属于每个类别的后验概率，然后选择具有最高后验概率的类别作为分类结果。计算过程涉及先验概率的估计和条件概率的计算。
参数估计：朴素贝叶斯算法通常使用最大似然估计等方法来估计先验概率和条件概率的参数值。

总的来说，朴素贝叶斯算法是一种简单而有效的分类算法，尤其适用于文本分类和垃圾邮件过滤等领域。然而，需要注意的是，朴素贝叶斯算法对特征条件独立性假设的合理性有一定要求，因此在实际应用中需要根据具体问题进行调整和优化。

（五）朴素贝叶斯常用的三个模型

1.高斯模型：处理特征是连续型变量的情况
2.多项式模型：主要用于离散特征分类，例如文本分类单词统计以出现的次数作为特征值
3.伯努利模型：要求特征是离散的，且为布尔类型，即true和false，或者1和0

三、朴素贝叶斯实现垃圾邮件过滤的步骤

进行垃圾邮件过滤实验时，你可以按照以下步骤进行：

数据收集：首先需要一个包含已标记为垃圾邮件和非垃圾邮件的数据集。你可以从开放数据集中获取，或者自己收集一些样本数据。
数据预处理：对数据进行预处理，包括文本分词、去除停用词、转换为词袋模型（Bag of Words）或 TF-IDF 等表示形式。
数据划分：将数据集划分为训练集和测试集，通常采用 70% 的数据作为训练集，30% 的数据作为测试集。
模型训练：使用训练集数据训练朴素贝叶斯分类器模型。可以选择使用多项式朴素贝叶斯（Multinomial Naive Bayes）适用于文本分类任务。
模型评估：使用测试集对训练好的模型进行评估，计算准确率、召回率、F1 值等指标，评估模型的性能。
参数调优：根据评估结果，可以尝试调整模型的参数、特征提取方法等，以提高模型的性能。
模型应用：当模型经过评估并达到满意的效果后，可以将其应用于实际的垃圾邮件过滤任务中。

在实验过程中，你可以使用 Python 等编程语言中的相关库（如 scikit-learn）来实现朴素贝叶斯算法，并进行数据处理、建模和评估。同时，也可以尝试不同的特征提取方法、模型参数以及模型融合等策略，以获得更好的分类效果

四、垃圾邮件过滤实验

（一）准备收集好的数据集，并下载到本地文件夹

ham文件夹下的文件为正常邮件，里面共有25封txt格式按数字命名顺序排列的正常邮件
正常邮件内容如下图所示：

pam文件下的txt文件为垃圾邮件，里面有25封txt格式按数字命名顺序排列的垃圾邮件
垃圾邮件内容如下图所示：

（二）朴素贝叶斯分类器训练函数

参数：
trainMatrix - 训练文档矩阵，即setOfWords2Vec返回的returnVec构成的矩阵
trainCategory - 训练类别标签向量，即loadDataSet返回的classVec
返回值：
p0Vect- 正常邮件类的条件概率数组
p1Vect - 垃圾邮件类的条件概率数组
pAbusive- 文档属于垃圾邮件类的概率


def trainNB0(trainMatrix, trainCategory):
    numTrainDocs = len(trainMatrix)  # 计算训练的文档数目
    numWords = len(trainMatrix[0])  # 计算每篇文档的词条数
    pAbusive = sum(trainCategory) / float(numTrainDocs) # 文档属于垃圾邮件类的概率
    p0Num = np.ones(numWords)
    p1Num = np.ones(numWords) #创建numpy.ones数组,词条出现数初始化为1,拉普拉斯平滑
    p0Denom = 2.0
    p1Denom = 2.0  # 分母初始化为2 ,拉普拉斯平滑
    for i in range(numTrainDocs):
        if trainCategory[i] == 1:  # 统计属于侮辱类的条件概率所需的数据，即P(w0|1),P(w1|1),P(w2|1)···
            p1Num += trainMatrix[i]
            p1Denom += sum(trainMatrix[i])
        else: # 统计属于非侮辱类的条件概率所需的数据，即P(w0|0),P(w1|0),P(w2|0)···
            p0Num += trainMatrix[i]
            p0Denom += sum(trainMatrix[i])
    p1Vect = np.log(p1Num / p1Denom)
    p0Vect = np.log(p0Num / p0Denom)  # 取对数，防止下溢出
    return p0Vect, p1Vect, pAbusive

（三）朴素贝叶斯分类器训分类函数

参数：
vec2Classify - 待分类的词条数组
p0Vec - 正常邮件类的条件概率数组
p1Vec- 垃圾邮件类的条件概率数组
pClass1 - 文档属于垃圾邮件的概率
返回值：
0 - 属于正常邮件类
1 - 属于垃圾邮件类

def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
    p1 = sum(vec2Classify * p1Vec) + np.log(pClass1)
    p0 = sum(vec2Classify * p0Vec) + np.log(1.0 - pClass1)
    if p1 > p0:
        return 1
    else:
        return 0

（四）测试朴素贝叶斯分类器，使用朴素贝叶斯进行交叉验证

def spamTest():
    docList = []
    classList = []
    fullText = []
    for i in range(1, 26):  # 遍历25个txt文件
        wordList = textParse(open('spam/%d.txt' % i, 'r').read())  # 读取每个垃圾邮件，并字符串转换成字符串列表
        docList.append(wordList)
        fullText.append(wordList)
        classList.append(1)  # 标记垃圾邮件，1表示垃圾文件
        wordList = textParse(open('ham/%d.txt' % i, 'r').read())  # 读取每个非垃圾邮件，并字符串转换成字符串列表
        docList.append(wordList)
        fullText.append(wordList)
        classList.append(0)  # 标记正常邮件，0表示正常文件
    vocabList = createVocabList(docList)  # 创建词汇表，不重复
    trainingSet = list(range(50))
    testSet = []  # 创建存储训练集的索引值的列表和测试集的索引值的列表
    for i in range(10):  # 从50个邮件中，随机挑选出40个作为训练集,10个做测试集
        randIndex = int(random.uniform(0, len(trainingSet)))  # 随机选取索索引值
        testSet.append(trainingSet[randIndex])  # 添加测试集的索引值
        del (trainingSet[randIndex])  # 在训练集列表中删除添加到测试集的索引值
    trainMat = []
    trainClasses = []  # 创建训练集矩阵和训练集类别标签系向量
    for docIndex in trainingSet:  # 遍历训练集
        trainMat.append(setOfWords2Vec(vocabList, docList[docIndex]))  # 将生成的词集模型添加到训练矩阵中
        trainClasses.append(classList[docIndex])  # 将类别添加到训练集类别标签系向量中
    p0V, p1V, pSpam = trainNB0(np.array(trainMat), np.array(trainClasses))  # 训练朴素贝叶斯模型
    errorCount = 0  # 错误分类计数
    for docIndex in testSet:  # 遍历测试集
        wordVector = setOfWords2Vec(vocabList, docList[docIndex])  # 测试集的词集模型
        if classifyNB(np.array(wordVector), p0V, p1V, pSpam) != classList[docIndex]:  # 如果分类错误
            errorCount += 1  # 错误计数加1
            print("分类错误的测试集：",docList[docIndex])
    print('错误率：%.2f%%' % (float(errorCount) / len(testSet) * 100))