基于朴素贝叶斯的分类方法

概率是许多机器学习算法的基础，在前面生成决策树的过程中使用了一小部分关于概率的知识，即统计特征在数据集中取某个特定值的次数，然后除以数据集的实例总数，得到特征取该值的概率。 **目录：** * 一.基于贝叶斯理论的分类方法 * 二.关于朴素贝叶斯的应用场景 * 三.基于Python和朴素贝叶斯的文本分类 1.准备数据 2.训练算法 3.测试算法 * 四.小结 **以下进入正文：** **一.基于贝叶斯理论的分类方法** 假设有两类数据组成的数据集如下：  其中，假设两个概率分布的参数已知，并用`p1(x,y)`表示当前数据点`(x,y)`属于类别一的概率；用`p2(x,y)`表示当前数据点`(x,y)`属于类别二的概率。 贝叶斯决策理论的核心思想是：选择高概率所对应的类别，选择具有最高概率的决策。有时也被总结成“多数占优”的原则。 具体到实例，对于一个数据点`(x,y)`，可以用如下规则判定它的类别： 若`p1(x,y)>p2(x,y)`，那么点`(x,y)`被判定为类别一。  若`p1(x,y)<p2(x,y)`，那么点`(x,y)`被判定为类别二。 当然，在实际情况中，单单依靠以上的判定无法解决所有的问题，因为以上准则还不是贝叶斯决策理论的所有内容，使用`p1(x,y)`和`p2(x,y)` 只是为了简化描述。更多的，我们使用`p(ci|x,y)` 来确定给定坐标的点`(x,y)`，该数据点来自类别`ci`的概率是多少。具体地，应用贝叶斯准则可得到，该准则可以通过已知的三个概率值来计算未知的概率值：  则以上判定法则可转化为： 若`p(c1|x,y)>p(c2|x,y)`，那么点`(x,y)`被判定为类别一。  若`p(c1|x,y)<p(c2|x,y)`，那么点`(x,y)`被判定为类别二。 **二.关于朴素贝叶斯的应用场景** 机器学习的一个重要应用就是文档的自动分类，而朴素贝叶斯正是文档分类的常用算法。基本步骤是遍历并记录下文档中出现的词，并把每个词的出现或者不出现作为一个特征。这样便有跟文档中出现过词汇的个数一样多的特征。若有大量特征时，使用直方图效果更好。以下是朴素贝叶斯的一般过程： 1. 收集数据：这里使用RSS源 2. 准备数据：需要数值型&布尔型数据 3. 分析数据：有大量特征时，绘制特征的作用不大，此时使用直方图效果更好 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：如文档分类 讲到这里，你也许还会带着疑问，为什么贝叶斯前会加上“朴素”，其实，这是基于朴素贝叶斯的一个假设，即：**特征之间相互（统计意义上）独立**，如一个单词出现的可能性与其他单词相邻没有关系，当然这在实际情况中不一定是正确的，但无数实验表明，这种假设是有必要的，而且朴素贝叶斯的实际效果其实很好。 朴素贝叶斯的另外一个假设是：每个特征同等重要。当然，这个假设也有问题（不然就不叫假设了……），但确实有用的假设。 **三.基于Python和朴素贝叶斯的文本分类** 从文本中提取特征，首先需要将文本进行拆分，转化为词向量，某个词存在表示为1，不存在表示为0，这样，原来一大串字符串便转为简单的0，1序列的向量。这种情况下只考虑某个词是否出现，当然，你也可以使用记录词的出现次数作为向量，或者记录不同词出现的频率等等。 1.准备数据：从文本中构建词向量，这里考虑出现在所有文档中的所有单词，并将每一篇文档转化为词汇表上的向量。下面的代码实现了功能，其中： 函数`loadDataSet()` 创建了一些实验样本`postingList`和对应的标签`listClass`，有一些样本被标签为带有侮辱性文字；  函数`createNonRepeatedList()` 统计并保存一个列表`vocList`，该列表包含所有文档中出现的词（不重复），这里使用了Python的`set`函数；  函数`detectInput(vocList, inputStream)`使用了词列表`vocList`， `inputStream`为待检测的word串，输出文档向量，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。 ~~~ # -*- coding: utf-8 -*- """ Created on Tue Sep 08 16:12:55 2015 @author: Administrator """ from numpy import * # 创建实验样本，可能需要对真实样本做一些处理，如去除标点符号 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']] listClass = [0, 1, 0, 1, 0, 1] # 1代表存在侮辱性的文字，0代表不存在 return postingList, listClass # 将所有文档所有词都存到一个列表中，用set()函数去除重复出现的词 def createNonRepeatedList(data): vocList = set([]) for doc in data: vocList = vocList | set(doc) # 两集合的并集 return list(vocList) def detectInput(vocList, inputStream): returnVec = [0]*len(vocList) # 创建和vocabList一样长度的全0列表 for word in inputStream: if word in vocList: # 针对某段words进行处理 returnVec[vocList.index(word)] = 1 # ? else: print "The word :%s is not in the vocabulary!" % word return returnVec ~~~  2.训练算法：从词向量计算概率，将之前的贝叶斯准则中的`(x,y)`改为向量`w`, 其长度为词向量的长度，如以下公式：  计算分为类别`ci`的概率`p(ci)`。通过类别i中的文档数除以总的文档数可计算。及`label_i/sum(label)`。 已知某个类别c，计算w在类别`ci`中的概率`p(w|ci)`。由于朴素贝叶斯假设所有特征相互独立，故有： `p(w|ci) = p(w0,w1,...,wn|ci) = p(w0|ci)*p(w1|ci)*...*p(w0|ci)`计算每个词wj在已知类别i的概率，然后再相乘。 伪代码如下： ~~~ 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： 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 ~~~ 贝叶斯分类器训练函数代码如下： ~~~ def trainNaiveBayes(trainMatrix, classLabel): numTrainDocs = len(trainMatrix) numWords = len(trainMatrix[0]) pBase = sum(classLabel) / float(numTrainDocs) # The following Settings aim at avoiding the probability of 0 p0Num = ones(numWords) p1Num = ones(numWords) p0Denom = 2.0 p1Denom = 2.0 for i in range(numTrainDocs): if classLabel[i] == 1: p1Num += trainMatrix[i] p1Denom += sum(trainMatrix[i]) else: p0Num += trainMatrix[i] p0Denom += sum(trainMatrix[i]) p0 = log(p0Num / p0Denom) p1 = log(p1Num / p1Denom) return p0, p1, pBase ~~~  3.测试算法：测试分类器的效果 在 `p(w0|ci)*p(w1|ci)*...p(w0|ci)`中，如果某个值为0，则会使得最后的乘积为0，故将所有词初始化为至少出现一次。分母初始化为2，这样不改变实际效果。同时，`p(w0|ci)*p(w1|ci)*...*p(w0|ci)` 取对数，得到：`ln(p(w0|ci))+ln(p(w1|ci))+...+ln(p(w0|ci))`， 由于对数函数`ln(x)`为单调递增函数，因此在计算过程中对乘法取对数对概率曲线的单调性没有影响（高等数学中常用的性质）。修改代码后进行测试： ~~~ def trainNaiveBayes(trainMatrix, classLabel): numTrainDocs = len(trainMatrix) numWords = len(trainMatrix[0]) pBase = sum(classLabel) / float(numTrainDocs) # The following Settings aim at avoiding the probability of 0 p0Num = ones(numWords) p1Num = ones(numWords) p0Denom = 2.0 p1Denom = 2.0 for i in range(numTrainDocs): if classLabel[i] == 1: p1Num += trainMatrix[i] p1Denom += sum(trainMatrix[i]) else: p0Num += trainMatrix[i] p0Denom += sum(trainMatrix[i]) p0 = log(p0Num / p0Denom) p1 = log(p1Num / p1Denom) return p0, p1, pBase trainMat = [] for doc in loadData: trainMat.append(detectInput(vocList, doc)) p0,p1,pBase = trainNaiveBayes(trainMat, dataLabel) #print "trainMat : " #print trainMat # test the algorithm def naiveBayesClassify(vec2Classify, p0, p1, pBase): p0res = sum(vec2Classify * p0) + log(1 - pBase) p1res = sum(vec2Classify * p1) + log(pBase) if p1res > p0res: return 1 else: return 0 def testNaiveBayes(): loadData, classLabel = loadDataSet() vocList = createNonRepeatedList(loadData) trainMat = [] for doc in loadData: trainMat.append(detectInput(vocList, doc)) p0, p1, pBase = trainNaiveBayes(array(trainMat), array(classLabel)) testInput = ['love', 'my', 'dalmation'] thisDoc = array(detectInput(vocList, testInput)) print testInput, 'the classified as: ', naiveBayesClassify(thisDoc, p0, p1, pBase) testInput = ['stupid', 'garbage'] thisDoc = array(detectInput(vocList, testInput)) print testInput, 'the classified as: ', naiveBayesClassify(thisDoc, p0, p1, pBase) testNaiveBayes() ~~~  最后，对两组word串进行检测，第一段被判定为非侮辱性用语，而第二段则被判定为侮辱性用语，分类正确。 **四.小结** 以上实验基本实现了朴素贝叶斯分类器，并正确执行了文本分类，后面要进一步学习，将朴素贝叶斯运用到垃圾邮件过滤、个人广告获取区域倾向等实际应用。