朴素贝叶斯
来源:互联网 发布:淘宝付了定金已下架 编辑:程序博客网 时间:2024/05/18 13:10
基础
贝叶斯概率是以18世纪的一位神学家托马斯.贝叶斯(Thomas Bayes)的名字命名。贝叶斯理论引入先验知识和逻辑推理来处理不确定命题。条件概率是贝叶斯理论的理论的基础
贝叶斯公式:
在贝叶斯分类器中
- 朴素贝叶斯分类器一般流程
- 采集各类型样本
- 分类别在各特征上进行概率统计,当取值为连续时默认为正太分布
- 输入待识别数据
- 比较后验概率大小,后验概率最大者即为对应的类别
注意事项
- 在计算
p(x1|ci),p(x2|ci),...p(xn|ci) 时若其中一项为0,最后乘积也为0。为了避免这种影响,在频数统计中,可以将每一项初始化为1,分母初始化为2 - 同样在计算
p(x1|ci),p(x2|ci),...p(xn|ci) 时,大部分分子非常小,会出现下溢出的情况,此时的解决方法是取对数。ln(a∗b)=ln(a)+ln(b) , 该处理在代数意义上也不会有损失
示例代码
# -*- coding:utf-8 -*-from numpy import *def loadDataSet(): # 词条切分集合 postingList = [['my', 'dog', 'has', 'flea','problem', '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, classVec# 创建词汇表def createVocabList(dataSet): vocabSet = set([]) for document in dataSet: vocabSet = vocabSet | set(document) # 创建两个合集的并集 return list(vocabSet)def setOfWords2Vec(vocabList, inputSet): returnVec = [0]*len(vocabList) 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 trainNB0(trainMatrix, trainCategory): numTrainDocs = len(trainMatrix) numWords = len(trainMatrix[0]) pAbusive = sum(trainCategory)/float(numTrainDocs) p0Num = ones(numWords); p1Num = ones(numWords) # 为了避免出现其中一个概率值为0,最后的乘积为0 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]) # 避免下溢出,分子多小的情况 p1Vect = log(p1Num/p1Denom) p0Vect = log(p0Num/p0Denom) return p0Vect, p1Vect, pAbusivedef classifyNB(vec2Classify, p0Vec, p1Vec, pClass1): p1 = sum(vec2Classify*p1Vec) + log(pClass1) 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(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))# 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)] += 1 return returnVecdef textParse(bigString): import re relistOfTokens = re.split(r'\w*', bigString) return [tok.lower() for tok in relistOfTokens if len(tok) > 2]def spamTest(): docList = []; classList = []; fullText = [] for i in range(1,26): print (i) 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) # 随机构建训练集 trainingSet = list(range(50)); testSet = [] 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 += 1 print('the error rate is:', float(errorCount)/len(testSet))
算法特点
优点: 在数据较少的情况下仍然有效,对数据缺失不敏感
缺点: 对于输入数据的准备方式较为敏感
适用数据:标称型数据
0 0
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 朴素贝叶斯
- 第十六周项目4-英文单词的基数排序
- 抽屉菜单
- spyder导入tensorflow包
- MFC学习(一):MFC的消息循环 --讲解到位
- POJ 1163 C++:The Triangle
- 朴素贝叶斯
- 队列
- noip 2015 普及 第四题 推销员 stl之priority_queue
- 一个非常易懂Git教程
- 59. Spiral Matrix II
- C语言数学函数ceil(), floor(), round()
- LeetCode179—Largest Number
- CSS简单代码
- 2016-12-14-记事本第一天