机器学习笔记(四)——朴素贝叶斯
来源:互联网 发布:linux如何修改内核参数 编辑:程序博客网 时间:2024/05/16 03:22
优点:在数据较少的情况下仍然有效,可以处理多类别问题
缺点:对于输入数据的准备方式较为敏感
适用数据类型:标称型数据
贝叶斯准则:
使用朴素贝叶斯进行文档分类
朴素贝叶斯的一般过程
(1)收集数据:可以使用任何方法。本文使用RSS源
(2)准备数据:需要数值型或者布尔型数据
(3)分析数据:有大量特征时,绘制特征作用不大,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:一个常见的朴素贝叶斯应用是文档分类。可以在任意的分类场景中使用朴素贝叶斯分类器,不一定非要是文本。
准备数据:从文本中构建词向量
在bayes.py文件中添加如下代码:
# coding=utf-8def 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代表侮辱性文字,0代表正常言论return postingList, classVecdef createVocabList(dataSet):vocabSet = set([])for document in dataSet:vocabSet = vocabSet | set(document)return list(vocabSet)def setOfWords2Vec(vocabList, inputSet):returnVec = [0] * len(vocabList)for word in inputSet:if word in vocabList:returnVec[vocabList.index(word)] = 1else:print "the word: %s is not in my Vocabulary!" % wordreturn returnVec
运行结果:
训练算法:从词向量计算概率
# 朴素贝叶斯分类器训练函数# trainMatrix: 文档矩阵, trainCategory: 由每篇文档类别标签所构成的向量def trainNB0(trainMatrix, trainCategory):numTrainDocs = len(trainMatrix)numWords = len(trainMatrix[0])pAbusive = sum(trainCategory) / float(numTrainDocs)p0Num = zeros(numWords);p1Num = zeros(numWords);p0Denom = 0.0;p1Denom = 0.0;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 = p1Num / p1Denomp0Vect = p0Num / p1Denomreturn p0Vect, p1Vect, pAbusive
运行结果:
测试算法:根据现实情况修改分类器
上一节中的trainNB0函数中修改几处:
p0Num = ones(numWords);
p1Num = ones(numWords);
p0Denom = 2.0;
p1Denom = 2.0;
p1Vect = log(p1Num / p1Denom)
p0Vect = log(p0Num / p1Denom)
# 朴素贝叶斯分类器训练函数# trainMatrix: 文档矩阵, trainCategory: 由每篇文档类别标签所构成的向量def trainNB0(trainMatrix, trainCategory):numTrainDocs = len(trainMatrix)numWords = len(trainMatrix[0])pAbusive = sum(trainCategory) / float(numTrainDocs)p0Num = ones(numWords);p1Num = ones(numWords);p0Denom = 2.0;p1Denom = 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)p0Vect = log(p0Num / p1Denom)return p0Vect, p1Vect, pAbusive# 朴素贝叶斯分类函数def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):p1 = sum(vec2Classify * p1Vec) + log(pClass1)p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1)if p1 > p0:return 1else:return 0def 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)
运行结果:
准备数据:文档词袋模型
词集模型(set-of-words model):每个词是否出现,每个词只能出现一次
词袋模型(bag-of-words model):一个词可以出现不止一次
# 朴素贝叶斯词袋模型def bagOfWords2VecMN(vocabList, inputSet):returnVec = [0] * len(vocabList)for word in inputSet:if word in vocabList:returnVec[vocabList.index(word)] += 1return returnVec
示例:使用朴素贝叶斯过滤垃圾邮件
(1)收集数据:提供文本文件
(2)准备数据:将文本文件解析成词条向量
(3)分析数据:检查词条确保解析的正确性
(4)训练算法:使用我们之前建立的trainNB0()函数
(5)测试算法:使用classifyNB(),并且构建一个新的测试函数来计算文档集的错误率
(6)使用算法:构建一个完整的程序对一组文档进行分类,将错分的文档输出到屏幕上
准备数据:切分文本
使用正则表达式切分句子
测试算法:使用朴素贝叶斯进行交叉验证
# 该函数接受一个大写字符的字串,将其解析为字符串列表# 该函数去掉少于两个字符的字符串,并将所有字符串转换为小写def textParse(bigString):import relistOfTokens = re.split(r'\W*', bigString)return [tok.lower() for tok in listOfTokens if len(tok) > 2]# 完整的垃圾邮件测试函数def spamTest():docList = []classList = []fullText = []# 导入并解析文本文件for i in range(1, 26):wordList = textParse(open('email/spam/%d.txt' % i).read())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)trainingSet = range(50)testSet = []# 随机构建训练集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:trainMat.append(setOfWords2Vec(vocabList, docList[docIndex]))trainClasses.append(classList[docIndex])p0V, p1V, pSpam = trainNB0(array(trainMat), array(trainClasses))errorCount = 0# 对测试集分类for docIndex in testSet:wordVector = setOfWords2Vec(vocabList, docList[docIndex])if classifyNB(array(wordVector), p0V, p1V, pSpam) != classList[docIndex]:errorCount += 1print "classification error",docList[docIndex]print 'the error rate is: ', float(errorCount) / len(testSet)
运行结果:
因为这些电子邮件是随机选择的,所以每次输出的结果可能会不一样
申明:本文为本人学习中所记之笔记,欢迎各位读者前来交流学习心得,如有批评建议请在下方评论处留言,转载请注明出处:http://blog.csdn.net/jay_xio/article/details/44674339
作者:Jay_Xio
- 机器学习笔记(四)——朴素贝叶斯
- 机器学习实战笔记之四(朴素贝叶斯)
- 机器学习笔记(4)——朴素贝叶斯
- 机器学习笔记(五)——朴素贝叶斯分类
- 机器学习之朴素贝叶斯(四)
- 《机器学习实战》笔记之四——基于概率论的分类方法:朴素贝叶斯
- 机器学习实战学习笔记8——朴素贝叶斯
- Python3《机器学习实战》学习笔记(四):朴素贝叶斯基础篇之言论过滤器
- 机器学习笔记5——朴素贝叶斯算法
- Udacity机器学习入门笔记——朴素贝叶斯
- 机器学习笔记:朴素贝叶斯
- Andrew Ng机器学习笔记(五)——生成学习算法和朴素贝叶斯算法
- 《机器学习实战》学习笔记(3)—— 朴素贝叶斯
- 机器学习(四):分类算法之朴素贝叶斯
- 机器学习实战代码详解(四)朴素贝叶斯
- 斯坦福大学机器学习——朴素贝叶斯
- 机器学习实战——朴素贝叶斯
- 机器学习复习——朴素贝叶斯
- UvaOJ 10474 Where is the Marble?
- 可变参数和枚举和静态导入
- meshgrid
- 基于GSAP的SVG Loading加载动画特效
- 黑桃3
- 机器学习笔记(四)——朴素贝叶斯
- PowerDesign 16.5 Oracle JDBC链接出错
- android 系统提示对话框(AlertDialog)的使用
- Base64编码及其作用
- 量化分析师的Python日记【第1天:谁来给我讲讲Python?】
- Java定义常量以及在jsp使用常量
- wxWidgets的AUI(高级用户界面,Advanced User Interface)
- php命名空间
- 重写FragmentTabHost,防止FragmentTabHost切换fragment重新调用onCreateView()