《机器学习实战》学习笔记：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, 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。