朴素贝叶斯方法的应用实例----基于newsgroup文档集的贝叶斯算法实现

来源：互联网发布：美联储 8月cpi数据编辑：程序博客网时间：2024/05/22 05:15

转载自：http://blog.csdn.net/v_july_v/article/details/7577684

朴素贝叶斯：就是假定数据是独立的贝叶斯模型

基于newsgroup文档集的贝叶斯算法实现

2.7.1、newsgroup文档集介绍与预处理

Newsgroups最早由Lang于1995收集并在[Lang 1995]中使用。它含有20000篇左右的Usenet文档，几乎平均分配20个不同的新闻组。除了其中4.5%的文档属于两个或两个以上的新闻组以外，其余文档仅属于一个新闻组，因此它通常被作为单标注分类问题来处理。Newsgroups已经成为文本分类聚类中常用的文档集。美国MIT大学Jason Rennie对Newsgroups作了必要的处理，使得每个文档只属于一个新闻组，形成Newsgroups-18828。

（注：本2.7节内容主要援引自参考文献条目8的内容，有任何不妥之处，还望原作者及众读者海涵，谢谢)

要做文本分类首先得完成文本的预处理，预处理的主要步骤如下：

英文词法分析，去除数字、连字符、标点符号、特殊字符，所有大写字母转换成小写，可以用正则表达式：String res[] = line.split("[^a-zA-Z]")；
去停用词，过滤对分类无价值的词；
词根还原stemming，基于Porter算法。

private static String lineProcess(String line, ArrayList<String> stopWordsArray) throws IOException {    
    // TODO Auto-generated method stub    
    //step1 英文词法分析，去除数字、连字符、标点符号、特殊字符，所有大写字母转换成小写，可以考虑用正则表达式    
    String res[] = line.split("[^a-zA-Z]");    
    //这里要小心，防止把有单词中间有数字和连字符的单词 截断了，但是截断也没事    
        
    String resString = new String();    
    //step2去停用词    
    //step3stemming,返回后一起做    
    for(int i = 0; i < res.length; i++){    
        if(!res[i].isEmpty() && !stopWordsArray.contains(res[i].toLowerCase())){    
            resString += " " + res[i].toLowerCase() + " ";    
        }    
    }    
    return resString;    
}   

2.7.2、特征词的选取

首先统计经过预处理后在所有文档中出现不重复的单词一共有87554个，对这些词进行统计发现：
出现次数大于等于1次的词有87554个
出现次数大于等于3次的词有36456个
出现次数大于等于4次的词有30095个
特征词的选取策略：
策略一：保留所有词作为特征词共计87554个
策略二：选取出现次数大于等于4次的词作为特征词共计30095个
特征词的选取策略：采用策略一，后面将对两种特征词选取策略的计算时间和平均准确率做对比

2.7.3、贝叶斯算法描述及实现

根据朴素贝叶斯公式，每个测试样例属于某个类别的概率 = 所有测试样例包含特征词类条件概率P(tk|c)之积 * 先验概率P(c)

在具体计算类条件概率和先验概率时，朴素贝叶斯分类器有两种模型：

(1) 多项式模型( multinomial model ) –以单词为粒度
类条件概率P(tk|c)=(类c下单词tk在各个文档中出现过的次数之和+1)/（类c下单词总数+训练样本中不重复特征词总数）
先验概率P(c)=类c下的单词总数/整个训练样本的单词总数

(2) 伯努利模型（Bernoulli model） –以文件为粒度

类条件概率P(tk|c)=（类c下包含单词tk的文件数+1）/(类c下文件总数+2)

先验概率P(c)=类c下文件总数/整个训练样本的文件总数
本分类器选用多项式模型计算，根据斯坦福的《Introduction to Information Retrieval 》课件上所说，多项式模型计算准确率更高。

贝叶斯算法的实现有以下注意点：

计算概率用到了BigDecimal类实现任意精度计算；
用交叉验证法做十次分类实验，对准确率取平均值；
根据正确类目文件和分类结果文计算混淆矩阵并且输出；
Map<String,Double> cateWordsProb key为“类目_单词”, value为该类目下该单词的出现次数，避免重复计算。

贝叶斯算法实现类如下NaiveBayesianClassifier.java（author：yangliu）

package com.pku.yangliu;  
import java.io.BufferedReader;  
import java.io.File;  
import java.io.FileReader;  
import java.io.FileWriter;  
import java.io.IOException;  
import java.math.BigDecimal;  
import java.util.Iterator;  
import java.util.Map;  
import java.util.Set;  
import java.util.SortedSet;  
import java.util.TreeMap;  
import java.util.TreeSet;  
import java.util.Vector;  
  
/**利用朴素贝叶斯算法对newsgroup文档集做分类，采用十组交叉测试取平均值 
 * 采用多项式模型,stanford信息检索导论课件上面言多项式模型比伯努利模型准确度高 
 * 类条件概率P(tk|c)=(类c 下单词tk 在各个文档中出现过的次数之和+1)/(类c下单词总数+|V|) 
 */  
public class NaiveBayesianClassifier {  
      
    /**用贝叶斯法对测试文档集分类 
     * @param trainDir 训练文档集目录 
     * @param testDir 测试文档集目录 
     * @param classifyResultFileNew 分类结果文件路径 
     * @throws Exception  
     */  
    private void doProcess(String trainDir, String testDir,  
            String classifyResultFileNew) throws Exception {  
        // TODO Auto-generated method stub  
        Map<String,Double> cateWordsNum = new TreeMap<String,Double>();//保存训练集每个类别的总词数  
        Map<String,Double> cateWordsProb = new TreeMap<String,Double>();//保存训练样本每个类别中每个属性词的出现词数  
        cateWordsProb = getCateWordsProb(trainDir);  
        cateWordsNum = getCateWordsNum(trainDir);  
        double totalWordsNum = 0.0;//记录所有训练集的总词数  
        Set<Map.Entry<String,Double>> cateWordsNumSet = cateWordsNum.entrySet();  
        for(Iterator<Map.Entry<String,Double>> it = cateWordsNumSet.iterator(); it.hasNext();){  
            Map.Entry<String, Double> me = it.next();  
            totalWordsNum += me.getValue();  
        }  
        //下面开始读取测试样例做分类  
        Vector<String> testFileWords = new Vector<String>();  
        String word;  
        File[] testDirFiles = new File(testDir).listFiles();  
        FileWriter crWriter = new FileWriter(classifyResultFileNew);  
        for(int i = 0; i < testDirFiles.length; i++){  
            File[] testSample = testDirFiles[i].listFiles();  
            for(int j = 0;j < testSample.length; j++){  
                testFileWords.clear();  
                FileReader spReader = new FileReader(testSample[j]);  
                BufferedReader spBR = new BufferedReader(spReader);  
                while((word = spBR.readLine()) != null){  
                    testFileWords.add(word);  
                }  
                //下面分别计算该测试样例属于二十个类别的概率  
                File[] trainDirFiles = new File(trainDir).listFiles();  
                BigDecimal maxP = new BigDecimal(0);  
                String bestCate = null;  
                for(int k = 0; k < trainDirFiles.length; k++){  
                    BigDecimal p = computeCateProb(trainDirFiles[k], testFileWords, cateWordsNum, totalWordsNum, cateWordsProb);  
                    if(k == 0){  
                        maxP = p;  
                        bestCate = trainDirFiles[k].getName();  
                        continue;  
                    }  
                    if(p.compareTo(maxP) == 1){  
                        maxP = p;  
                        bestCate = trainDirFiles[k].getName();  
                    }  
                }  
                crWriter.append(testSample[j].getName() + " " + bestCate + "\n");  
                crWriter.flush();  
            }  
        }  
        crWriter.close();  
    }  
      
    /**统计某类训练样本中每个单词的出现次数 
     * @param strDir 训练样本集目录 
     * @return Map<String,Double> cateWordsProb 用"类目_单词"对来索引的map,保存的val就是该类目下该单词的出现次数 
     * @throws IOException  
     */  
    public Map<String,Double> getCateWordsProb(String strDir) throws IOException{  
        Map<String,Double> cateWordsProb = new TreeMap<String,Double>();  
        File sampleFile = new File(strDir);  
        File [] sampleDir = sampleFile.listFiles();  
        String word;  
        for(int i = 0;i < sampleDir.length; i++){  
            File [] sample = sampleDir[i].listFiles();  
            for(int j = 0; j < sample.length; j++){  
                FileReader samReader = new FileReader(sample[j]);  
                BufferedReader samBR = new BufferedReader(samReader);  
                while((word = samBR.readLine()) != null){  
                    String key = sampleDir[i].getName() + "_" + word;  
                    if(cateWordsProb.containsKey(key)){  
                        double count = cateWordsProb.get(key) + 1.0;  
                        cateWordsProb.put(key, count);  
                    }  
                    else {  
                        cateWordsProb.put(key, 1.0);  
                    }  
                }  
            }  
        }  
        return cateWordsProb;     
    }  
      
    /**计算某一个测试样本属于某个类别的概率 
     * @param Map<String, Double> cateWordsProb 记录每个目录中出现的单词及次数  
     * @param File trainFile 该类别所有的训练样本所在目录 
     * @param Vector<String> testFileWords 该测试样本中的所有词构成的容器 
     * @param double totalWordsNum 记录所有训练样本的单词总数 
     * @param Map<String, Double> cateWordsNum 记录每个类别的单词总数 
     * @return BigDecimal 返回该测试样本在该类别中的概率 
     * @throws Exception  
     * @throws IOException  
     */  
    private BigDecimal computeCateProb(File trainFile, Vector<String> testFileWords, Map<String, Double> cateWordsNum, double totalWordsNum, Map<String, Double> cateWordsProb) throws Exception {  
        // TODO Auto-generated method stub  
        BigDecimal probability = new BigDecimal(1);  
        double wordNumInCate = cateWordsNum.get(trainFile.getName());  
        BigDecimal wordNumInCateBD = new BigDecimal(wordNumInCate);  
        BigDecimal totalWordsNumBD = new BigDecimal(totalWordsNum);  
        for(Iterator<String> it = testFileWords.iterator(); it.hasNext();){  
            String me = it.next();  
            String key = trainFile.getName()+"_"+me;  
            double testFileWordNumInCate;  
            if(cateWordsProb.containsKey(key)){  
                testFileWordNumInCate = cateWordsProb.get(key);  
            }else testFileWordNumInCate = 0.0;  
            BigDecimal testFileWordNumInCateBD = new BigDecimal(testFileWordNumInCate);  
            BigDecimal xcProb = (testFileWordNumInCateBD.add(new BigDecimal(0.0001))).divide(totalWordsNumBD.add(wordNumInCateBD),10, BigDecimal.ROUND_CEILING);  
            probability = probability.multiply(xcProb);  
        }  
        BigDecimal res = probability.multiply(wordNumInCateBD.divide(totalWordsNumBD,10, BigDecimal.ROUND_CEILING));  
        return res;  
    }  
  
    /**获得每个类目下的单词总数 
     * @param trainDir 训练文档集目录 
     * @return Map<String, Double> <目录名，单词总数>的map 
     * @throws IOException  
     */  
    private Map<String, Double> getCateWordsNum(String trainDir) throws IOException {  
        // TODO Auto-generated method stub  
        Map<String,Double> cateWordsNum = new TreeMap<String,Double>();  
        File[] sampleDir = new File(trainDir).listFiles();  
        for(int i = 0; i < sampleDir.length; i++){  
            double count = 0;  
            File[] sample = sampleDir[i].listFiles();  
            for(int j = 0;j < sample.length; j++){  
                FileReader spReader = new FileReader(sample[j]);  
                BufferedReader spBR = new BufferedReader(spReader);  
                while(spBR.readLine() != null){  
                    count++;  
                }         
            }  
            cateWordsNum.put(sampleDir[i].getName(), count);  
        }  
        return cateWordsNum;  
    }  
      
    /**根据正确类目文件和分类结果文件统计出准确率 
     * @param classifyResultFile 正确类目文件 
     * @param classifyResultFileNew 分类结果文件 
     * @return double 分类的准确率 
     * @throws IOException  
     */  
    double computeAccuracy(String classifyResultFile,  
            String classifyResultFileNew) throws IOException {  
        // TODO Auto-generated method stub  
        Map<String,String> rightCate = new TreeMap<String,String>();  
        Map<String,String> resultCate = new TreeMap<String,String>();  
        rightCate = getMapFromResultFile(classifyResultFile);  
        resultCate = getMapFromResultFile(classifyResultFileNew);  
        Set<Map.Entry<String, String>> resCateSet = resultCate.entrySet();  
        double rightCount = 0.0;  
        for(Iterator<Map.Entry<String, String>> it = resCateSet.iterator(); it.hasNext();){  
            Map.Entry<String, String> me = it.next();  
            if(me.getValue().equals(rightCate.get(me.getKey()))){  
                rightCount ++;  
            }  
        }  
        computerConfusionMatrix(rightCate,resultCate);  
        return rightCount / resultCate.size();    
    }  
      
    /**根据正确类目文件和分类结果文计算混淆矩阵并且输出 
     * @param rightCate 正确类目对应map 
     * @param resultCate 分类结果对应map 
     * @return double 分类的准确率 
     * @throws IOException  
     */  
    private void computerConfusionMatrix(Map<String, String> rightCate,  
            Map<String, String> resultCate) {  
        // TODO Auto-generated method stub    
        int[][] confusionMatrix = new int[20][20];  
        //首先求出类目对应的数组索引  
        SortedSet<String> cateNames = new TreeSet<String>();  
        Set<Map.Entry<String, String>> rightCateSet = rightCate.entrySet();  
        for(Iterator<Map.Entry<String, String>> it = rightCateSet.iterator(); it.hasNext();){  
            Map.Entry<String, String> me = it.next();  
            cateNames.add(me.getValue());  
        }  
        cateNames.add("rec.sport.baseball");//防止数少一个类目  
        String[] cateNamesArray = cateNames.toArray(new String[0]);  
        Map<String,Integer> cateNamesToIndex = new TreeMap<String,Integer>();  
        for(int i = 0; i < cateNamesArray.length; i++){  
            cateNamesToIndex.put(cateNamesArray[i],i);  
        }  
        for(Iterator<Map.Entry<String, String>> it = rightCateSet.iterator(); it.hasNext();){  
            Map.Entry<String, String> me = it.next();  
            confusionMatrix[cateNamesToIndex.get(me.getValue())][cateNamesToIndex.get(resultCate.get(me.getKey()))]++;  
        }  
        //输出混淆矩阵  
        double[] hangSum = new double[20];  
        System.out.print("    ");  
        for(int i = 0; i < 20; i++){  
            System.out.print(i + "    ");  
        }  
        System.out.println();  
        for(int i = 0; i < 20; i++){  
            System.out.print(i + "    ");  
            for(int j = 0; j < 20; j++){  
                System.out.print(confusionMatrix[i][j]+"    ");  
                hangSum[i] += confusionMatrix[i][j];  
            }  
            System.out.println(confusionMatrix[i][i] / hangSum[i]);  
        }  
        System.out.println();  
    }  
  
    /**从分类结果文件中读取map 
     * @param classifyResultFileNew 类目文件 
     * @return Map<String, String> 由<文件名，类目名>保存的map 
     * @throws IOException  
     */  
    private Map<String, String> getMapFromResultFile(  
            String classifyResultFileNew) throws IOException {  
        // TODO Auto-generated method stub  
        File crFile = new File(classifyResultFileNew);  
        FileReader crReader = new FileReader(crFile);  
        BufferedReader crBR = new BufferedReader(crReader);  
        Map<String, String> res = new TreeMap<String, String>();  
        String[] s;  
        String line;  
        while((line = crBR.readLine()) != null){  
            s = line.split(" ");  
            res.put(s[0], s[1]);      
        }  
        return res;  
    }  
  
    /** 
     * @param args 
     * @throws Exception  
     */  
    public void NaiveBayesianClassifierMain(String[] args) throws Exception {  
         //TODO Auto-generated method stub  
        //首先创建训练集和测试集  
        CreateTrainAndTestSample ctt = new CreateTrainAndTestSample();  
        NaiveBayesianClassifier nbClassifier = new NaiveBayesianClassifier();  
        ctt.filterSpecialWords();//根据包含非特征词的文档集生成只包含特征词的文档集到processedSampleOnlySpecial目录下  
        double[] accuracyOfEveryExp = new double[10];  
        double accuracyAvg,sum = 0;  
        for(int i = 0; i < 10; i++){//用交叉验证法做十次分类实验，对准确率取平均值   
            String TrainDir = "F:/DataMiningSample/TrainSample"+i;  
            String TestDir = "F:/DataMiningSample/TestSample"+i;  
            String classifyRightCate = "F:/DataMiningSample/classifyRightCate"+i+".txt";  
            String classifyResultFileNew = "F:/DataMiningSample/classifyResultNew"+i+".txt";  
            ctt.createTestSamples("F:/DataMiningSample/processedSampleOnlySpecial", 0.9, i,classifyRightCate);  
            nbClassifier.doProcess(TrainDir,TestDir,classifyResultFileNew);  
            accuracyOfEveryExp[i] = nbClassifier.computeAccuracy (classifyRightCate, classifyResultFileNew);  
            System.out.println("The accuracy for Naive Bayesian Classifier in "+i+"th Exp is :" + accuracyOfEveryExp[i]);  
        }  
        for(int i = 0; i < 10; i++){  
            sum += accuracyOfEveryExp[i];  
        }  
        accuracyAvg = sum / 10;  
        System.out.println("The average accuracy for Naive Bayesian Classifier in all Exps is :" + accuracyAvg);  
          
    }  
}  

2.7.4、朴素贝叶斯算法对newsgroup文档集做分类的结果

在经过一系列Newsgroup文档预处理、特征词的选取、及实现了贝叶斯算法之后，下面用朴素贝叶斯算法那对newsgroup文档集做分类，看看此贝叶斯算法的效果。

贝叶斯算法分类结果-混淆矩阵表示，以交叉验证的第6次实验结果为例，分类准确率最高达到80.47%。

程序运行硬件环境：Intel Core 2 Duo CPU T5750 2GHZ, 2G内存，实验结果如下：
取所有词共87554个作为特征词：10次交叉验证实验平均准确率78.19%，用时23min,准确率范围75.65%-80.47%，第6次实验准确率超过80%，取出现次数大于等于4次的词共计30095个作为特征词： 10次交叉验证实验平均准确率77.91%，用时22min，准确率范围75.51%-80.26%，第6次实验准确率超过80%。如下图所示：

结论：朴素贝叶斯算法不必去除出现次数很低的词，因为出现次数很低的词的IDF比较大，去除后分类准确率下降，而计算时间并没有显著减少

2.7.5、贝叶斯算法的改进

为了进一步提高贝叶斯算法的分类准确率，可以考虑

优化特征词的选取策略；
改进多项式模型的类条件概率的计算公式，改进为类条件概率P(tk|c)=(类c下单词tk在各个文档中出现过的次数之和+0.001)/（类c下单词总数+训练样本中不重复特征词总数），分子当tk没有出现时，只加0.001(之前上面2.7.3节是+1)，这样更加精确的描述的词的统计分布规律，

做此改进后的混淆矩阵如下

可以看到第6次分组实验的准确率提高到84.79%，第7词分组实验的准确率达到85.24%，平均准确率由77.91%提高到了82.23%,优化效果还是很明显的。更多内容，请参考原文：参考文献条目8。谢谢。

0 0