朴素贝叶斯

数据集

• sourceData 是一些文本数据，labels是对应的列标签。这是一个网站的评论信息，希望通过朴素贝叶斯分类器来过滤掉比较负面的评论，0表示正常评论，1表示负面评论。可以简单的看到第二个数据中出现了stupid酱紫骂人的语句，那么这是一条负面评论的概率很大。

sourceData = [['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']] labels = [0,1,0,1,0,1]

提取出给定数据集中的词汇表

• 我们需要将每个文本转化为一个特征向量的前提是我们定义好了特征的描述，在文本分类问题中特征就是单词出现与否，本文我将采用基于伯努利模型的朴素贝叶斯分类器，该实现方式中并不考虑词在文档中出现的次数，只考虑出不出现，考虑次数的那个模型叫基于多项式的朴素贝叶斯模型。

def createVocabList(sourceData):    vocabSet = set([])      for document in sourceData:        vocabSet = vocabSet | set(document)     return list(vocabSet)

将给定的样本转换为词向量

• 有了词汇表后，我们处理每个样本：对于一个样本data如果单词data[i]出现在词汇表中，那么返回的词向量returnVec[i] = 1，如果没有出现则为0；

'''输入参数为词汇表和单个样本数据'''def setOfWords2Vec(vocabList, data):    returnVec = [0]*len(vocabList)    for word in data:        if word in vocabList:            returnVec[vocabList.index(word)] = 1        else: print "the word: %s is not in my Vocabulary!" % word    return returnVec

训练朴素贝叶斯

• 这个过程其实就是计算一系列的条件概率，计算每个类别中所有单词出现的概率。
• wordCountP是一个嵌套字典，外层的键是类别，内层的键是单词的索引，值为单词出现的概率，例如wordCountP[ci][wi]表示的是类别ci中单词wi出现的概率。
• 两层嵌套字典必须申明为defaultdict(dict)，否则你直接使用a[1][2]=3会报错，因为你必须先申明a={},a[1]={}, a[1][2]=3.

from collections import defaultdictdef NavieBayes(dataSet):       labelCountP = {}         wordCountP = defaultdict(dict)    for data in dataSet:        '''统计每个类别的频数'''        labelCountP[data[-1]] = labelCountP.get(data[-1],0)+1          '''统计每个类别中每个单词出现的频数'''                     for i in range(len(data)-1): #注意此时单词的键其实是0.1.2这样的索引值，值为单词的频数            wordCountP[data[-1]][i] = wordCountP[data[-1]].get(i,0) + data[i]    for label in wordCountP:        '''统计每个类别的概率'''        labelCountP[label] = labelCountP[label]/float(len(dataSet))        '''统计每个类别中每个单词出现的概率'''         wordSum = sum(wordCountP[label].values())        for word in wordCountP[label]:            wordCountP[label][word] = (wordCountP[label][word])/float(wordSum)    return labelCountP,wordCountP

探索条件概率

vocabList = createVocabList(sourceData)print vocabList   dataSet = [setOfWords2Vec(vocabList,data) for data in sourceData] '''下面这语句把类标签追加到每个样本的末尾'''[[data.append(label)] for data,label in zip(dataSet,labels)] labelCountP,wordCountP = NavieBayes(dataSet)print labelCountPprint wordCountP 

['cute','love','help','garbage','quit','I','problems','is','park','stop','flea','dalmation','licks','food','not','him','buying','posting','has','worthless','ate','to','maybe','please','dog','how','stupid','so','take','mr','steak','my']{0: 0.5, 1: 0.5}{0: 0.041666666666666664, 1: 0.041666666666666664, 2: 0.041666666666666664, 3: 0.0, 4: 0.0, 5: 0.041666666666666664, 6: 0.041666666666666664, 7: 0.041666666666666664, 8: 0.0, 9: 0.041666666666666664, 10: 0.041666666666666664, 11: 0.041666666666666664, 12: 0.041666666666666664, 13: 0.0, 14: 0.0, 15: 0.08333333333333333, 16: 0.0, 17: 0.0, 18: 0.041666666666666664, 19: 0.0, 20: 0.041666666666666664, 21: 0.041666666666666664, 22: 0.0, 23: 0.041666666666666664, 24: 0.041666666666666664, 25: 0.041666666666666664, 26: 0.0, 27: 0.041666666666666664, 28: 0.0, 29: 0.041666666666666664, 30: 0.041666666666666664, 31: 0.125}{0: 0.0, 1: 0.0, 2: 0.0, 3: 0.05263157894736842, 4: 0.05263157894736842, 5: 0.0, 6: 0.0, 7: 0.0, 8: 0.05263157894736842, 9: 0.05263157894736842, 10: 0.0, 11: 0.0, 12: 0.0, 13: 0.05263157894736842, 14: 0.05263157894736842, 15: 0.05263157894736842, 16: 0.05263157894736842, 17: 0.05263157894736842, 18: 0.0, 19: 0.10526315789473684, 20: 0.0, 21: 0.05263157894736842, 22: 0.05263157894736842, 23: 0.0, 24: 0.10526315789473684, 25: 0.0, 26: 0.15789473684210525, 27: 0.0, 28: 0.05263157894736842, 29: 0.0, 30: 0.0, 31: 0.0}

• 找出每个类别中条件概率最大的那个单词：可以发现在正常评论中最频繁出现的单词为my，这个单词貌似很常见没什么情感吧。但是负面评论中最频繁出现的单词是26号stupid，歪果仁都喜欢用这个骂人吗o(╯□╰)o，结果还是蛮符合实际情况的对吧。

print max(wordCountP[0],key=wordCountP[0].get)print max(wordCountP[1],key=wordCountP[1].get)''' 31 26 ''' 

发现问题

• 概率为0问题：利用朴素贝叶斯分类器进行文档分类时，要计算多个概率的乘积以获得文档属于某个类别的概率，即计算p(w0|1)p(w1|1)…p(wn|1)显然只要其实一个为0那么这个乘积就为0，解决这个问题最常见的方法是laplace平滑，它的原理就是在计算单词概率时分子+1分母加上词汇表的长度；在计算类别概率时分子+1分母加上类别的总数。那么修改NavieBayes中计算条件概率的代码如下：

labelCountP[label] = (labelCountP[label]+1.0)/(len(dataSet)+2.0)'''len(wordCountP[label])其实就是词汇表的长度'''wordCountP[label][word] = (wordCountP[label][word]+1.0)/(wordSum+len(wordCountP[label]))

• 概率下溢问题：当词汇表很大时，最终分类概率将会是很多个很小的概率的乘积，那么最终的分类概率会特别小，在python中读取较小的数时会四舍五入那么最终我们可能就得不到正确的解了。解决办法是对乘积取自然对数，它们的取值不同，但是不会影响最终的结果，因为我们最终需要的是一个相对大小。修改代码如下：

labelCountP[label] = math.log((labelCountP[label]+1.0)/(len(dataSet)+2.0))wordCountP[label][word] = math.log((wordCountP[label][word]+1.0)/(wordSum+len(wordCountP[label])))

利用朴素贝叶斯进行分类

• 因为我们前面将概率处理成对数的形式，那么这里是求和。这个分类器不仅仅针对二分类哦，可以看到朴素贝叶斯算法很适合多分类问题。

def classify(labelCountP, wordCountP, testX):    p = {} #统计属于每一类的概率    for label in labelCountP:        p[label] = labelCountP[label]        for i in range(len(testX)):            if(testX[i]!=0):                p[label] += wordCountP[label][i]    return max(p,key=p.get)   

• 测试我的算法：对于测试样本也要做同样的词向量化操作，其实在很多机器学习问题中，我们需要对训练数据和测试数据及做相同的操作，比如做归一化时的均值方差要使用和训练集相同的均值和方差，而不是测试集的均值和方差，因为我们假设训练集合测试集是来自同一分布的。

testX1 = setOfWords2Vec(vocabList,['love','my','dalmation'])testX2 = setOfWords2Vec(vocabList,['stupid', 'garbage'])print classify(labelCountP, wordCountP, testX1)print classify(labelCountP, wordCountP, testX2)''' 0 1 '''

词袋模型

• 目前为止，我写完了一个经典的朴素贝叶斯模型，也叫作词集模型。但是实际上一个词出现的次数比出现与否更有意义，因此产生了词袋模型。在词集中每个单词只能出现一次，而在词袋中每个单词可以出现多次，那么我们只需要修改生成词向量的方法即可：不是简单的赋值1而是累加出现的次数。

def setOfWords2Vec2(vocabList, data):    returnVec = [0]*len(vocabList)    for word in data:        if word in vocabList:            returnVec[vocabList.index(word)] += 1 #只加了一个+号        else: print "the word: %s is not in my Vocabulary!" % word    return returnVec

总结

• 朴素贝叶斯通过条件独立假设减少了对数据量的要求，虽然这个假设过于简单，但是仍然是一个很有效的分类算法，最原始的朴素贝叶斯会遭遇概率因子为0以及概率下溢的问题，分别通过laplace平滑和取对数解决了。在文本分类时，如果词汇表选的好，那么对分类的性能有很大的影响，比如去掉很多无区分度的高频词和很多停顿词，并且对于特定的文本分类任务，获取还需要额外的业务知识来筛选特征词，因此说它对数据的准备方式很敏感，稍不慎性能就很差。

  • 优点：在数据较少的情况下仍然有效，可以处理多类别问题；
  • 缺点：对于输入数据的准备方式很敏感，需要将数据处理成词向量，并且如果将输入数据中的停顿词、高频词去除掉性能会有提升，但也带来了算法的复杂性；
  • 适用数据类型：标称型数据，因为需要计算每个取值的条件概率，虽然也可以将连续值转化为区间，但划分区间又增加了复杂性；