Python与机器学习(五)朴素贝叶斯分类
来源:互联网 发布:vscode settings.json 编辑:程序博客网 时间:2024/06/07 03:51
1.安装中文分词器
由于本文是对中文文本进行分类,故需要用到中文分词器,而结巴分词则是Python支持较好的一款分词器。
使用命令安装:
pip3 install jieba3k
或者下载结巴分词文件【下载】
结巴分词测试:
结巴分词支持三种分词模式:
- 精确模式,也是结巴分词的默认模式,可以将句子以最精确的方式分开;
- 全模式,可以将句子中所有能够组成词语的词分割开来,速度较快,但有些词语并不正确;
- 搜索引擎模式,该模式可以说是对精确模式的加深,即对精确模式产生的长词进一步分割。
结巴分词是基于Trie树结构实现高效的词图扫描,采用动态规划找最大概率路径,找出基于词频的最大切分组合,对于词典中不存在的词,则采用基于汉字成词能力的HMM模型,使用Viterbi算法。
import jiebaseg = jieba.cut("这里的樱花真美丽,还是去武大看樱花,听说那里的计算机科学学院还不错",cut_all=True)print('全模式:',"/".join(seg))seg = jieba.cut("这里的樱花真美丽,还是去武大看樱花,听说那里的计算机科学学院还不错",cut_all=False)print('精确模式:',"/".join(seg))seg = jieba.cut_for_search("这里的樱花真美丽,还是去武大看樱花,听说那里的计算机科学学院还不错")print('搜索引擎模式:',"/".join(seg))
结巴分词的分词方法有两种形式,一种是cut(),一种是cut_for_search()
cut()方法包含两个参数,第一个是待切分的字符串,第二个是切分的模式,True表示全模式,False表示精确模式
cut_for_search()方式只有一个参数,即待切分的字符串
从上图的输出可以看出,全模式的分词结果很多,有的词还不能成词,如"科学学"等;精确模式就相对要少很多,而且切分的也比较准确;搜索引擎模式对精确模式的结果进一步切分,如“计算机科学”就被切分出了“计算”、“科学”等。
当然,结巴分词除了分词功能外,还有词性标注、关键词提取等功能,具体内容可以参考Python结巴分词
2.朴素贝叶斯概念
概率论是许多机器学习算法的基础,前面说到的决策树也是用概率来判断数据属于某一类别。朴素贝叶斯是贝叶斯决策理论的一部分,其分类的整个形式化过程只做最简单最原始的假设。
贝叶斯决策理论的思想是给定两个类别数据的统计参数,然后计算另给的数据点分别属于这两个类别的概率,选择最大的概率作为该数据点的分类。
下面先来熟悉一下几个公式:
先验概率P(c),是从已有训练集中计算分类为c类样本占总样本的概率;
条件概率P(x|c),表示已知x在c中,从c中得到x的概率;
贝叶斯准则
如果已知P(x|c),那么就可以计算出P(c|x),该概率表示样本x属于类别c的概率
那么,当一个样本中有多个特征(x1,x2,x3......xn)时,则有:
【这里的每个特征都是独立的】
然后根据i个类别的概率大小,选择概率最大的那个类别
2.朴素贝叶斯优缺点
优点:在数据较少的请胯下仍然有效,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。
使用数据类型:标称型数据
3.使用朴素贝叶斯进行文档分类
实验文本:
negative
positive
#bayes.py#coding=utf-8def createVocabList(dataSet): vocabSet = set([]) #创建一个空集 for document in dataSet: vocabSet = vocabSet | set(document) #创建两个空集的并集 return list(vocabSet)def setOfWord2Vec(vocabList,inputSet):#词集模型 returnVec = [0]*len(vocabList) #创建一个元素都是0的向量 for word in inputSet: if word in vocabList: returnVec[vocabList.index(word)] = 1 else: print('the word: %s is not in my Vocabulary!'%word) return returnVecdef bagOfWords2VecMN(vocabList,inputSet): #词袋模型 returnVec = [0]*len(vocabList) for word in inputSet: if word in vocabList: returnVec[vocabList.index(word)] +=1 return returnVecdef trainNB0(trainMatrix,trainCategory): numTrainDocs = len(trainMatrix) numWords = len(trainMatrix[0]) pAbusive = sum(trainCategory)/float(numTrainDocs) p0Num = ones(numWords) #初始化概率 p1Num = ones(numWords) p0Denom = 2.0 p1Denom = 2.0 for i in range(numTrainDocs): if trainCategory[i] == 1: p1Num += trainMatrix[i] #向量相加 p1Denom += sum(trainMatrix[i]) else: p0Num += trainMatrix[i] p0Denom += sum(trainMatrix[i]) p1Vect = log(p1Num/p1Denom) #对每个元素做除法 p0Vect = log(p0Num/p0Denom) return p0Vect,p1Vect,pAbusivedef classifyNB(vec2Classify,p0Vec,p1Vec,pClass1): p1 = sum(vec2Classify*p1Vec)+log(pClass1) #元素对应相乘 p0 = sum(vec2Classify*p0Vec)+log(1.0-pClass1) if p1>p0: return 1 else: return 0def testingNB(): listOPosts,listClasses = loadDataSet() myVocabList = createVocabList(listOPosts) trainMat = [] for postinDoc in listOPosts: trainMat.append(setOfWord2Vec(myVocabList, postinDoc)) p0V,p1V,pAb = trainNB0(array(trainMat), array(listClasses)) testEntry = ['love','my','dalmation'] thisDoc = array(setOfWord2Vec(myVocabList, testEntry)) print(testEntry,' classified as: ',classifyNB(thisDoc, p0V, p1V, pAb)) testEntry = ['stupid','garbage'] thisDoc = array(setOfWord2Vec(myVocabList, testEntry)) print(testEntry,' classified as: ',classifyNB(thisDoc, p0V, p1V, pAb))def textParse(bigString): import re import jieba listOfTokens = jieba.cut(bigString) return [tok for tok in listOfTokens if len(tok)>1]def spamTest(): import linecache docList = [] classList = [] fullText = [] #linecache.clearcache() 清楚缓存,当文件有变更时 #file = open('data/negative.txt') for i in range(1,26): #导入并解析文本文件 linecache.clearcache() string = linecache.getline('data/negative.txt', i) wordList = textParse(string) docList.append(wordList) fullText.extend(wordList) classList.append(1) linecache.clearcache() string = linecache.getline('data/positive.txt', i) wordList = textParse(string) docList.append(wordList) fullText.extend(wordList) classList.append(0) print(docList) vocabList = createVocabList(docList) trainingSet = list(range(50)) testSet = [] print(trainingSet) for i in range(10): #随机构建训练集 randIndex = int(random.uniform(0,len(trainingSet))) print(randIndex) testSet.append(trainingSet[randIndex]) del(trainingSet[randIndex]) trainMat = [] trainClasses = [] for docIndex in trainingSet: trainMat.append(setOfWord2Vec(vocabList, docList[docIndex])) trainClasses.append(classList[docIndex]) p0V,p1V,pSpam = trainNB0(array(trainMat),array(trainClasses) ) print(pSpam) errorCount = 0 for docIndex in testSet:#对测试集分类 wordVector = setOfWord2Vec(vocabList, docList[docIndex]) if classifyNB(array(wordVector), p0V, p1V, pSpam) != classList[docIndex]: errorCount += 1 print('the error rate is : ',float(errorCount)/len(testSet)) return float(errorCount)/len(testSet)
#test.pyimport bayesrate = 0.0for i in range(10): rate += bayes.spamTest()print('rate = ',rate/10)
在此进行了10次交叉验证,由于每次的训练样本和测试样本是随机选取的,因此计算10次的平均值也有所不同,这里得到的结果是rate = 0.14。
- Python与机器学习(五)朴素贝叶斯分类
- Python机器学习与实战笔记之朴素贝叶斯分类
- 机器学习笔记(五)——朴素贝叶斯分类
- python机器学习之朴素贝叶斯分类
- 机器学习五 朴素贝叶斯与SVM
- 机器学习(十二)朴素贝叶斯分类
- 机器学习(十二)朴素贝叶斯分类
- 机器学习(八):朴素贝叶斯分类
- 机器学习--朴素贝叶斯分类
- 【机器学习】朴素贝叶斯分类
- 机器学习--朴素贝叶斯分类
- 机器学习-朴素贝叶斯分类
- 机器学习-朴素贝叶斯分类
- Python3《机器学习实战》学习笔记(五):朴素贝叶斯实战篇之新浪新闻分类
- 机器学习之朴素贝叶斯(NB)分类算法与Python实现
- Python机器学习库SKLearn分类算法之朴素贝叶斯
- python机器学习实战3:朴素贝叶斯分类器
- 机器学习:朴素贝叶斯算法+中文情感分类+python
- jQuery-1.9.1源码分析系列(八) 属性操作
- 数据结构之“Ordered List and Sorted List”(六)
- jQuery-1.9.1源码分析系列(九) CSS操作
- 10.leetcode题目168: Excel Sheet Column Title
- jQuery-1.9.1源码分析系列(十) 事件系统——事件体系结构
- Python与机器学习(五)朴素贝叶斯分类
- jQuery-1.9.1源码分析系列(十) 事件系统——事件绑定
- jQuery-1.9.1源码分析系列(十) 事件系统——事件委托
- 十五个常用的jquery代码段【转】
- Java源码阅读之Vector
- jQuery-1.9.1源码分析系列(十) 事件系统——事件包装
- jQuery-1.9.1源码分析系列(十) 事件系统——主动触发事件和模拟冒泡处理
- jQuery-1.9.1源码分析系列(六) 延时对象应用——jQuery.ready
- jQuery-1.9.1源码分析系列(十一) DOM操作