使用NLTK的朴素贝叶斯分类器来训练并完成分类工作

NLTK是Python的一个自然语言处理的模块，其中实现了朴素贝叶斯分类算法。以下，就使用上一篇文中提到的数据，来应用这个模块实现朴素贝叶斯分类。NLTK的实现更加泛化，所以在应用到我们的数据上时需要做一点的转化。

首先来看一下NLTK官方文档中给出的一个简单明了的例子，在了解这个例子之后，再设法将同样的模型应用到自己的数据集上。官方给出的例子是英文名中，在知道名字中最后一个字母后，判断这个名字对应的人是男是女。

#coding=utf-8import random, nltkfrom nltk.corpus import namesdef gender_features(word):    '''提取每个单词的最后一个字母作为特征'''    return {'last_letter': word[-1]}# 先为原始数据打好标签labeled_names = ([(name, 'male') for name in names.words('male.txt')] + [(name, 'female') for name in names.words('female.txt')])# 随机打乱打好标签的数据集的顺序，random.shuffle(labeled_names)# 从原始数据中提取特征（名字的最后一个字母， 参见gender_features的实现）featuresets = [(gender_features(name), gender) for (name, gender) in labeled_names]# 将特征集划分成训练集和测试集train_set, test_set = featuresets[500:], featuresets[:500]# 使用训练集训练模型（核心就是求出各种后验概率）classifier = nltk.NaiveBayesClassifier.train(train_set)# 通过测试集来估计分类器的准确性print(nltk.classify.accuracy(classifier, test_set))# 如果一个人的名字的最后一个字母是‘a’，那么这个人是男还是女print(classifier.classify({'last_letter': 'a'}))# 找出最能够区分分类的特征值classifier.show_most_informative_features(5)

以上程序的输出如下：

0.754femaleMost Informative Features             last_letter = u'a'           female : male   =     35.6 : 1.0             last_letter = u'k'             male : female =     30.7 : 1.0             last_letter = u'f'             male : female =     16.6 : 1.0             last_letter = u'p'             male : female =     12.5 : 1.0             last_letter = u'm'             male : female =     11.1 : 1.0

从结果中，我们可以看到，通过训练集训练出的模型，在应用到测试集上时，其准确率为75%；如果一个人的名字以字母‘a’结束，那么此分类器将其划分为女性；最后输出了最能区分男女的5个属性值的数据，比如，对于字母‘a’来说，它作为女性名的最后一个字母的可能性是男性的35倍。

可以看到NLTK的朴素贝叶斯实现之中，它的输入的训练集的输入是类似于以下的形式：

[

({'attr1':val1, 'attr2': val2, 'attr3': val3 ... 'attrn': valn}, label1),

({'attr1':val1, 'attr2': val2, 'attr3': val3 ... 'attrn': valn}, label2),

......

]

其中，每个特征对应一个标签，在以上的官方的例子中，特征就只有一个，last_letter；而特征的可能值是26个字母。对应到自己的数据，对应一个用户就不止有一个特征了，而是用户安装的APP名称列表，同时又由于每个用户安装的APP可能不同，所以不同的用户所对应的特征的长度也是可能不同的；而每个属性（APP名称）对应的值只有两个：安装或者没安装。

以下的代码中的注释以及输出说明了整个转化过程（使用了上篇文章中第三步中生成的数据）：

#!/usr/local/bin/python2.7# encoding: utf-8from collections import defaultdictimport nltkdef gender_features(appnamelist):    features = defaultdict(bool)    for appname in appnamelist:        features[appname] = True    return featuresif __name__ == '__main__':    raw_data = defaultdict(lambda: defaultdict(list))    with open('data/genderapplist.log') as f:        for line in f:            cells = line.strip().split('\t')            if len(cells) == 3:                imei, gender, appname = cells                gender = 'male' if gender == '男性应用' else 'female'                raw_data[gender][imei].append(appname)        labeled_applist = [(appnamelist, 'male') for appnamelist in raw_data['male'].values()] + [(appnamelist, 'female') for appnamelist in raw_data['female'].values()]    featuresets = [(gender_features(appnamelist), gender) for appnamelist, gender in labeled_applist]    train_set, test_set = featuresets[500:], featuresets[:500]    classifier = nltk.NaiveBayesClassifier.train(train_set)        # 在训练生成的分类器classifier中，有两个属性存储着贝叶斯分类器所需要的先验和后验概率：    # _label_probdist 保存了标签的分布    # _feature_probdist 保存了每个APPNAME对应的后验分布    # 通过下面的代码我们可以看到它们的值    print '以下是 _label_probdist的相关信息'    print '1. 类型'     print type(classifier._label_probdist)    print '2. 标签的整体分布状况'    classifier._label_probdist.freqdist().tabulate()    print '3. 由第二步推出的标签的概率分布'    print classifier._label_probdist.prob('female'), classifier._label_probdist.prob('male')        print '*' * 32        # _feature_probdist的值    print '以下是 _feature_probdist的相关信息'    print '1. 类型'    print type(classifier._feature_probdist)    print '2. 从1的输出中可以看到其类型为dict，我们看它的一个key和value即可'    print classifier._feature_probdist.items()[6302]    print '3. 从2中可以看到，其代表了，在标签为female的情况下，安装了支付宝钱包这个应用的概率分布'    classifier._feature_probdist.items()[6302][1].freqdist().tabulate()    print '4. 3的输出，我们非常熟悉，也就是在所有4910个female用户中，有77个安装了支付宝钱包，没有安装的有4833个'    print '有了这个分布，我们就可以计算出P(True|female, 支付宝钱包)，其意义就是，在female用户中，支付宝钱包这个属性为True的可能性为'    print classifier._feature_probdist.items()[6302][1].prob(True)    print '5. 然后你会发现4中输出的P(True|female, 支付宝钱包)并不正好等于77./4910，这是因为使用ELEProbDist'    print '也就是“期望相似性概率估计”，这种方法避免了P(True|female, 支付宝钱包)=0情况的出现，从而避免模型失效'    print '6. 通过在训练集上的训练，我们得到了以上的概率分布，然后就可以使用训练好的模型来分类了，我们看一下安装了蘑菇街和支付宝钱包的用户是男还是女'    print classifier.classify({'蘑菇街':True, '支付宝钱包': True})    print '7. 让我们看一下安传过了蘑菇街和支付宝钱包的用户男女的可能性'    print 'Prob(female)', classifier.prob_classify({'蘑菇街':True, '支付宝钱包': True}).prob('female')    print 'Prob(male)', classifier.prob_classify({'蘑菇街':True, '支付宝钱包': True}).prob('male')    print '8. 如果我们的输入中，有一个全新的应用“这个应用不存在”,这里的处理是不处理它'    print 'Prob(female)', classifier.prob_classify({'蘑菇街':True, '支付宝钱包': True, '这个应用不存在':True}).prob('female')    print 'Prob(male)', classifier.prob_classify({'蘑菇街':True, '支付宝钱包': True, '这个应用不存在':True}).prob('male')

以上程序的输出为：

以下是 _label_probdist的相关信息1. 类型<class 'nltk.probability.ELEProbDist'>2. 标签的整体分布状况female male 4910 4420 3. 由第二步推出的标签的概率分布0.526256564141 0.473743435859********************************以下是 _feature_probdist的相关信息1. 类型<type 'dict'>2. 从1的输出中可以看到其类型为dict，我们看它的一个key和value即可(('female', '\xe6\x94\xaf\xe4\xbb\x98\xe5\xae\x9d\xe9\x92\xb1\xe5\x8c\x85'), <ELEProbDist based on 4910 samples>)3. 从2中可以看到，其代表了，在标签为female的情况下，安装了支付宝钱包这个应用的概率分布None True 4833   77 4. 3的输出，我们非常熟悉，也就是在所有4910个female用户中，有77个安装了支付宝钱包，没有安装的有4833个有了这个分布，我们就可以计算出P(True|female, 支付宝钱包)，其意义就是，在female用户中，支付宝钱包这个属性为True的可能性为0.01578090002045. 然后你会发现4中输出的P(True|female, 支付宝钱包)并不正好等于77./4910，这是因为使用ELEProbDist也就是“期望相似性概率估计”，这种方法避免了P(True|female, 支付宝钱包)=0情况的出现，从而避免模型失效6. 通过在训练集上的训练，我们得到了以上的概率分布，然后就可以使用训练好的模型来分类了，我们看一下安装了蘑菇街和支付宝钱包的用户是男还是女female7. 让我们看一下安传过了蘑菇街和支付宝钱包的用户男女的可能性Prob(female) 0.994878529146Prob(male) 0.005121470853578. 如果我们的输入中，有一个全新的应用“这个应用不存在”,这里的处理是不处理它Prob(female) 0.994878529146Prob(male) 0.00512147085357

这样通过使用NLTK，相比自己实现来说有了更简洁的代码，并且更容易维护，希望对有需要的同学有帮助。