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
来源:互联网 发布:淘宝美工接单平台 编辑:程序博客网 时间:2024/04/27 21:11
内容来源于书《机器学习实战》
# *-* coding: utf-8 *-* '''<<机器学习实战>>---读书笔记: 第4章 基于概率论的分类而方法:朴素贝叶斯关键:1 基于贝叶斯决策理论的分类方法优点:可处理多分类问题,数据较少仍有效缺点:对输入数据的准备方式敏感适用:标称型数据(目标变量只在有限集合中选取,例如真假)。 例如,文档分类贝叶斯决策理论的核心思想:选择高概率对应类别贝叶斯概率:引入先验知识和逻辑推理 处理 不确定命题2 条件概率:P(A|B)=P(AB) / P(B) = P(B|A) * P(A) / P(B)使用条件概率来分类:设p(C1|x,y)表示数据点x,y来自类别C1的概率,那么其实就是求p(C1|x,y) > p(C2|x,y)的时候,那么属于类别C1问题转换为求:p(C1|x,y)p(Ci|x,y)=p(x,y|Ci) * p(Ci)/ p(x,y)3 使用朴素贝叶斯进行文档分类朴素贝叶斯的过程1)收集数据 , 2)准备数据(数值型或布尔型)3)分析数据:特征较多,使用直方图。 4)训练算法:计算不同独立特征条件概率5)测试算法:计算错误率, 6)使用算法:例如文档分类特征独立:特征或者单词出现可能性与他和其他单词相邻没有关系朴素贝叶斯分类器的假设:每个特征同等重要4 从词向量计算概率:设W表示一个向量,由多个数值组成p(Ci|W) = p(W|Ci) * p(Ci) / p(W)p(Ci)=类别i中文档总数除以总文档数因为所有词相互独立p(W|Ci)=p(W0,W1,...,Wn|C)=p(W0|Ci) * p(W1|Ci) * .... * p(Wn|Ci)p(W)=p(W0,W1,...,Wn)=p(W0) * p(W1) * ... * p(Wn)5 训练过程:朴素贝叶斯分类器训练函数: 需要计算不好类别的整个概率,以及每个单词分别在不好类别和好的类别下的概率,即对于p(Wi|C1)和p(Wi|C0)的概率,p(Wi|C1)表示在类别C1下单词Wi的概率=Wi在类别C1出现次数/类别C1中所有单词个数p(C1)=属于类别C1的文档个数/总的文档个数输入参数:文档矩阵,文档类别向量6 验证测试集过程:根据输入的文本向量,判断属于哪个类别,需要比较 p(C1|W) 和p(C0|W)大小,即比较的是在文档W出现的情况下,它属于类别1和类别0的概率p(C1|W)=p(W|C1) * p(C1) / p(W)p(C0|W)=p(W|C0) * p(C0) / p(W)即只需要比较p(W|C1) * p(C1) 与 p(W|C0) * p(C0)的概率,取对数后,即只需要比较p(W|C1) + p(C1) 与 p(W|C0) + p(C0) 的概率p(W|C1)=sum(W * p1Vec),即文档W乘以类别1的单词概率向量,然后累加即为在类别C1下文档W的概率'''from numpy import *import codecsimport operatorimport feedparserdef 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']] classVec = [0,1,0,1,0,1] #1 is abusive, 0 not return postingList,classVec#传入数据集,每个数据是一个列表,包含了许多单词,生成词汇列表def createVocabList(dataSet): vocabSet = set() for document in dataSet: #求并集 vocabSet = vocabSet | set(document) return list(vocabSet)#词袋模型:需要统计每个单词出现的次数def bagOfWords2VecMN(vocabList , inputSet): resultVec = [0] * len(vocabList) for word in inputSet: if word in vocabList: resultVec[ vocabList.index(word) ] += 1 return resultVec#将输入的文本向量转化为词汇向量def setOfWords2Vec(vocabList , inputSet): # python中 [0] * num表示将元素[0]复制num份 resultVec = [0] * len(vocabList) for word in inputSet: if word in vocabList: resultVec[ vocabList.index(word) ] = 1 else: print("word %s is not in vocabulary" % word) return resultVecdef init_test(): dataSet , labels = loadDataSet() vocabList = createVocabList(dataSet) print(vocabList) resultVec = setOfWords2Vec(vocabList , dataSet[0]) print(resultVec)'''朴素贝叶斯分类器训练函数: 需要计算不好类别的整个概率,以及每个单词分别在不好类别和好的类别下的概率,即对于p(Wi|C1)和p(Wi|C0)的概率,p(Wi|C1)表示在类别C1下单词Wi的概率=Wi在类别C1出现次数/类别C1中所有单词个数p(C1)=属于类别C1的文档个数/总的文档个数输入参数:文档矩阵,文档类别矩阵'''def trainNB0(trainMatrix , trainCategory): docNum = len(trainMatrix) wordNum = len(trainMatrix[0]) pAbusive = sum(trainCategory) / float(docNum) #计算不好的类别的概率矩阵 ''' p1Num = zeros(wordNum) p0Num = zeros(wordNum) p0Denom = 0.0 p1Denom = 0.0 ''' #根据现实情况修改分类器:为了避免p(W0|1) * p(W1|1) *...为0,可将所有词出现次数初始化为1,分母初始化为2 p1Num = ones(wordNum) p0Num = ones(wordNum) p0Denom = 2.0 p1Denom = 2.0 #遍历每个文档,统计该文档对应类别下单词出现词频,该类别下总的单词个数 for i in range(docNum): if 1 == trainCategory[i]: p1Num += trainMatrix[i] p1Denom += sum(trainMatrix[i]) else: p0Num += trainMatrix[i] p0Denom += sum(trainMatrix[i]) #计算每个单词在每个类别下出现的概率 ''' p1Vect = p1Num / p1Denom p0Vect = p0Num / p0Denom ''' #为了避免多个小数相乘变为0,改为log,而不是除法 p1Vect = log(p1Num / p1Denom) p0Vect = log(p0Num / p0Denom) return p0Vect , p1Vect , pAbusive'''关键:根据输入的文本向量,判断属于哪个类别,需要比较 p(C1|W) 和p(C0|W)大小,即比较的是在文档W出现的情况下,它属于类别1和类别0的概率p(C1|W)=p(W|C1) * p(C1) / p(W)p(C0|W)=p(W|C0) * p(C0) / p(W)即只需要比较p(W|C1) * p(C1) 与 p(W|C0) * p(C0)的概率,取对数后,即只需要比较p(W|C1) + p(C1) 与 p(W|C0) + p(C0) 的概率p(W|C1)=sum(W * p1Vec),即文档W乘以类别1的单词概率向量,然后累加即为在类别C1下文档W的概率'''def classifyNB(inputVec , p0Vec , p1Vec , pClass1): p1 = sum(inputVec * p1Vec) + pClass1 p0 = sum(inputVec * p0Vec) + (1 - pClass1) if p1 > p0: return 1 else: return 0def trainNB0_test(): dataSet , labels = loadDataSet() vocabList = createVocabList(dataSet) trainMatrix = [] for inputVec in dataSet: resultVec = setOfWords2Vec(vocabList , inputVec) trainMatrix.append(resultVec) p0Vec , p1Vec , pAbusive = trainNB0(trainMatrix , labels) ''' print(pAbusive) print(p0Vec) print(p1Vec) ''' testDoc = ['love' , 'my' , 'dalmation'] inputVec = array(setOfWords2Vec(vocabList , testDoc)) result = classifyNB(inputVec , p0Vec , p1Vec , pAbusive) print(result) testDoc = ['stupid' , 'garbage'] inputVec = array(setOfWords2Vec(vocabList , testDoc)) result = classifyNB(inputVec , p0Vec , p1Vec , pAbusive) print(result)''''''def textParse(bigString): import re #按照数字和字母进行切分 words = re.split(r'\w*' , bigString) results = [word.lower() for word in words if len(word) > 2] return results#对垃圾邮件进行分类测试def spamTest(): docList = [] classList = [] fullText = [] #遍历每个文本,对每个文本内容粉刺,加入到文本矩阵中,加入到词汇表中,加入到类别表中 for i in range(1,26): # file.read() 读取字符串 fileName = 'email/spam/%d.txt' % i wordList = textParse(codecs.open(fileName, "r" ).read() ) docList.append(wordList) fullText.extend(wordList) classList.append(1) fileName = 'email/ham/%d.txt' % i try: wordList = textParse(codecs.open(fileName, "r" ).read() ) docList.append(wordList) fullText.extend(wordList) classList.append(0) except Exception as ex: info1 = "file: ", fileName info2 = " , error: " , ex info1 += info2 print(info1) #创建词汇列表 vocabList = createVocabList(docList) trainingSet = list(range(50)) # python3中range返回range对象,需要转换为数组 testSet = [] #创建随机测试集,包含10个 for i in range(10): randIndex = int(random.uniform(0 , len(trainingSet))) #生成的是测试集编号 testSet.append(trainingSet[randIndex]) del(trainingSet[randIndex]) # 疑问,不需要删除训练集中对应的结果吗 #训练 trainMat = [] trainClasses = [] for i in trainingSet: trainMat.append(setOfWords2Vec(vocabList ,docList[i] )) trainClasses.append(classList[i] ) p0Vec , p1Vec , pSpam = trainNB0(array(trainMat) , array(trainClasses)) errorCount = 0 #验证测试集 for docIndex in testSet: wordVector = setOfWords2Vec(vocabList , docList[docIndex]) result = classifyNB(wordVector , p0Vec , p1Vec , pSpam) if result != classList[docIndex]: errorCount += 1 print("total error num is: %d , the error rate is: %f " % (errorCount , errorCount / len(testSet)))'''RSS还是一项很有创造性和实用性的东西。RSS 是用于分发 Web 站点上的内容的摘要的一种简单的 XML 格式'''def calcMostFreq(vocabList,fullText): freqDict = {} for token in vocabList: freqDict[token]=fullText.count(token) sortedFreq = sorted(freqDict.items(), key=operator.itemgetter(1), reverse=True) return sortedFreq[:30]def localWords(feed1,feed0): docList=[]; classList = []; fullText =[] minLen = min(len(feed1['entries']),len(feed0['entries'])) for i in range(minLen): wordList = textParse(feed1['entries'][i]['summary']) docList.append(wordList) fullText.extend(wordList) classList.append(1) #NY is class 1 wordList = textParse(feed0['entries'][i]['summary']) docList.append(wordList) fullText.extend(wordList) classList.append(0) vocabList = createVocabList(docList)#create vocabulary top30Words = calcMostFreq(vocabList,fullText) #remove top 30 words for pairW in top30Words: if pairW[0] in vocabList: vocabList.remove(pairW[0]) trainingSet = range(2*minLen); testSet=[] #create test set for i in range(20): randIndex = int(random.uniform(0,len(trainingSet))) testSet.append(trainingSet[randIndex]) del(trainingSet[randIndex]) trainMat=[]; trainClasses = [] for docIndex in trainingSet:#train the classifier (get probs) trainNB0 trainMat.append(bagOfWords2VecMN(vocabList, docList[docIndex])) trainClasses.append(classList[docIndex]) p0V,p1V,pSpam = trainNB0(array(trainMat),array(trainClasses)) errorCount = 0 for docIndex in testSet: #classify the remaining items wordVector = bagOfWords2VecMN(vocabList, docList[docIndex]) if classifyNB(array(wordVector),p0V,p1V,pSpam) != classList[docIndex]: errorCount += 1 print('the error rate is: ',float(errorCount)/len(testSet)) return vocabList,p0V,p1Vdef getTopWords(ny,sf): vocabList,p0V,p1V=localWords(ny,sf) topNY=[]; topSF=[] for i in range(len(p0V)): if p0V[i] > -6.0 : topSF.append((vocabList[i],p0V[i])) if p1V[i] > -6.0 : topNY.append((vocabList[i],p1V[i])) sortedSF = sorted(topSF, key=lambda pair: pair[1], reverse=True) print("SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**") for item in sortedSF: print(item[0]) sortedNY = sorted(topNY, key=lambda pair: pair[1], reverse=True) print("NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**") for item in sortedNY: print(item[0])if __name__ == "__main__": init_test() trainNB0_test() spamTest() ny = feedparser.parse("http://newyork.craigslist.org/stp/index.rss") sf = feedparser.parse("http://sfbay.craigslist.org/stp/index.rss") getTopWords(ny, sf) print("done")
0 0
- 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
- 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
- 机器学习之基于概率论的分类方法 : 朴素贝叶斯
- 《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(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:基于概率论的分类方法:朴素贝叶斯(源码解析,错误分析)
- [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——朴素贝叶斯(基于概率论的分类方法)
- 机器学习——基于概率论的分类方法:朴素贝叶斯
- 基于概率论的分类方法:朴素贝叶斯算法实践学习
- 基于概率论的分类方法:朴素贝叶斯
- 基于概率论的分类方法:朴素贝叶斯
- 基于概率论的分类方法:朴素贝叶斯
- 会编程的 AI + 会修 Bug 的 AI,等于什么 ?
- 最长递增子序列 nlogn
- 面向对象的选项卡
- 单点登录原理与简单实现
- L1-007. 念数字
- 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
- mysql中datetime 和timestamp的区别
- 【C】比较数组中有或没有相同的数,有就输出"有",没有则输出"没有"
- linux服务器间文件传输
- service生命周期
- Git永久删除commit
- 几种常用的排序算法总结
- 面向对象的拖拽
- WPF