《机器学习实战》学习笔记:基于朴素贝叶斯的分类方法
来源:互联网 发布:淘宝里怎么店铺收藏 编辑:程序博客网 时间:2024/05/18 02:19
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:
- 收集数据:这里使用RSS源
- 准备数据:需要数值型&布尔型数据
- 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
- 训练算法:计算不同的独立特征的条件概率
- 测试算法:计算错误率
- 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, pBasetrainMat = []for doc in loadData: trainMat.append(detectInput(vocList, doc))p0,p1,pBase = trainNaiveBayes(trainMat, dataLabel)#print "trainMat : "#print trainMat# test the algorithmdef 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 0def 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。
- 机器学习实战--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:基于朴素贝叶斯的分类方法
- 《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-[4]-基于概率的分类-朴素贝叶斯
- 机器学习实战python版第四章基于概率论的分类方法 朴素贝叶斯
- 机器学习实战(3)--(基于概率论的分类方法)朴素贝叶斯
- 【机器学习实战-python3】基于概率论的分类方法:朴素贝叶斯
- 机器学习实战---读书笔记: 第4章 基于概率论的分类而方法:朴素贝叶斯
- 代码注释:机器学习实战第4章 基于概率论的分类方法:朴素贝叶斯
- 【机器学习实战】第4章 基于概率论的分类方法:朴素贝叶斯
- 机器学习实战:基于概率论的分类方法:朴素贝叶斯(源码解析,错误分析)
- 机器学习之基于概率论的分类方法 : 朴素贝叶斯
- 【机器学习实战之二】:C++实现基于概率论的分类方法--朴素贝叶斯分类(Naive Bayes Classifier)
- 《机器学习实战》学习笔记(三)之朴素贝叶斯(上)基础理论及基于朴素贝叶斯算法文档分类
- 《机器学习实战》基于朴素贝叶斯分类算法构建文本分类器的Python实现
- Python机器学习与实战笔记之朴素贝叶斯分类
- [完]机器学习实战 第四章 基于概率论的分类方法:朴素贝叶斯(Naive Bayesian Classification)
- 《机器学习实战》学习笔记:基于朴素贝叶斯的垃圾邮件过滤
- Ubuntu实现网络链接设置
- 关于引入第三方jar包引发的java.lang.NoClassDefFoundError解决
- 活用maven使web.xml可以用maven变量
- Python读取中文txt乱码问题
- POJ 2773 Happy 2006(二分+容斥)
- 《机器学习实战》学习笔记:基于朴素贝叶斯的分类方法
- 行列式的理解
- Android工程导出jar包,同时导出javadoc
- html5+css3项目 (企业网站之标题)
- HDU 4407 Sum(容斥)
- 交换排序
- 81. Search in Rotated Sorted Array I II
- myecplice和ecplice远程调试
- 【求割边】