使用NLTK的朴素贝叶斯分类器来训练并完成分类工作

NLTK是Python的一个自然语言处理的模块，其中实现了朴素贝叶斯分类算法。以下，就使用上一篇文中提到的数据，来应用这个模块实现朴素贝叶斯分类。NLTK的实现更加泛化，所以在应用到我们的数据上时需要做一点的转化。

首先来看一下NLTK官方文档中给出的一个简单明了的例子，在了解这个例子之后，再设法将同样的模型应用到自己的数据集上。官方给出的例子是英文名中，在知道名字中最后一个字母后，判断这个名字对应的人是男是女。

#coding=utf-8
import random, nltk
from nltk.corpus import names

def gender_features(word):
    '''提取每个单词的最后一个字母作为特征'''
    return {'last_letter': word[-1]}
# 先为原始数据打好标签
labeled_names = ([(name, 'male') for name in names.words('male.txt')] + [(name, 'female') for name in names.words('female.txt')])
# 随机打乱打好标签的数据集的顺序，
random.shuffle(labeled_names)
# 从原始数据中提取特征（名字的最后一个字母， 参见gender_features的实现）
featuresets = [(gender_features(name), gender) for (name, gender) in labeled_names]
# 将特征集划分成训练集和测试集
train_set, test_set = featuresets[500:], featuresets[:500]
# 使用训练集训练模型（核心就是求出各种后验概率）
classifier = nltk.NaiveBayesClassifier.train(train_set)
# 通过测试集来估计分类器的准确性
print(nltk.classify.accuracy(classifier, test_set))
# 如果一个人的名字的最后一个字母是‘a’，那么这个人是男还是女
print(classifier.classify({'last_letter': 'a'}))
# 找出最能够区分分类的特征值
classifier.show_most_informative_features(5)

以上程序的输出如下：

0.754
female
Most Informative Features
             last_letter = u'a'           female : male   =     35.6 : 1.0
             last_letter = u'k'             male : female =     30.7 : 1.0
             last_letter = u'f'             male : female =     16.6 : 1.0
             last_letter = u'p'             male : female =     12.5 : 1.0
             last_letter = u'm'             male : female =     11.1 : 1.0

从结果中，我们可以看到，通过训练集训练出的模型，在应用到测试集上时，其准确率为75%；如果一个人的名字以字母‘a’结束，那么此分类器将其划分为女性；最后输出了最能区分男女的5个属性值的数据，比如，对于字母‘a’来说，它作为女性名的最后一个字母的可能性是男性的35倍。

可以看到NLTK的朴素贝叶斯实现之中，它的输入的训练集的输入是类似于以下的形式：

[

({'attr1':val1, 'attr2': val2, 'attr3': val3 ... 'attrn': valn}, label1),

({'attr1':val1, 'attr2': val2, 'attr3': val3 ... 'attrn': valn}, label2),

......

]

其中，每个特征对应一个标签，在以上的官方的例子中，特征就只有一个，last_letter；而特征的可能值是26个字母。对应到自己的数据，对应一个用户就不止有一个特征了，而是用户安装的APP名称列表，同时又由于每个用户安装的APP可能不同，所以不同的用户所对应的特征的长度也是可能不同的；而每个属性（APP名称）对应的值只有两个：安装或者没安装。

以下的代码中的注释以及输出说明了整个转化过程（使用了上篇文章中第三步中生成的数据）：

#!/usr/local/bin/python2.7
# encoding: utf-8
from collections import defaultdict
import nltk

def gender_features(appnamelist):
    features = defaultdict(bool)
    for appname in appnamelist:
        features[appname] = True
    return features

if __name__ == '__main__':
    raw_data = defaultdict(lambda: defaultdict(list))
    with open('data/genderapplist.log') as f:
        for line in f:
            cells = line.strip().split('\t')
            if len(cells) == 3:
                imei, gender, appname = cells
                gender = 'male' if gender == '男性应用' else 'female'
                raw_data[gender][imei].append(appname)
    
    labeled_applist = [(appnamelist, 'male') for appnamelist in raw_data['male'].values()] + [(appnamelist, 'female') for appnamelist in raw_data['female'].values()]
    featuresets = [(gender_features(appnamelist), gender) for appnamelist, gender in labeled_applist]
    train_set, test_set = featuresets[500:], featuresets[:500]
    classifier = nltk.NaiveBayesClassifier.train(train_set)
    
    # 在训练生成的分类器classifier中，有两个属性存储着贝叶斯分类器所需要的先验和后验概率：
    # _label_probdist 保存了标签的分布
    # _feature_probdist 保存了每个APPNAME对应的后验分布
    # 通过下面的代码我们可以看到它们的值
    print '以下是 _label_probdist的相关信息'
    print '1. 类型' 
    print type(classifier._label_probdist)
    print '2. 标签的整体分布状况'
    classifier._label_probdist.freqdist().tabulate()
    print '3. 由第二步推出的标签的概率分布'
    print classifier._label_probdist.prob('female'), classifier._label_probdist.prob('male')
    
    print '*' * 32
    
    # _feature_probdist的值
    print '以下是 _feature_probdist的相关信息'
    print '1. 类型'
    print type(classifier._feature_probdist)
    print '2. 从1的输出中可以看到其类型为dict，我们看它的一个key和value即可'
    print classifier._feature_probdist.items()[6302]
    print '3. 从2中可以看到，其代表了，在标签为female的情况下，安装了支付宝钱包这个应用的概率分布'
    classifier._feature_probdist.items()[6302][1].freqdist().tabulate()
    print '4. 3的输出，我们非常熟悉，也就是在所有4910个female用户中，有77个安装了支付宝钱包，没有安装的有4833个'
    print '有了这个分布，我们就可以计算出P(True|female, 支付宝钱包)，其意义就是，在female用户中，支付宝钱包这个属性为True的可能性为'
    print classifier._feature_probdist.items()[6302][1].prob(True)
    print '5. 然后你会发现4中输出的P(True|female, 支付宝钱包)并不正好等于77./4910，这是因为使用ELEProbDist'
    print '也就是“期望相似性概率估计”，这种方法避免了P(True|female, 支付宝钱包)=0情况的出现，从而避免模型失效'
    print '6. 通过在训练集上的训练，我们得到了以上的概率分布，然后就可以使用训练好的模型来分类了，我们看一下安装了蘑菇街和支付宝钱包的用户是男还是女'
    print classifier.classify({'蘑菇街':True, '支付宝钱包': True})
    print '7. 让我们看一下安传过了蘑菇街和支付宝钱包的用户男女的可能性'
    print 'Prob(female)', classifier.prob_classify({'蘑菇街':True, '支付宝钱包': True}).prob('female')
    print 'Prob(male)', classifier.prob_classify({'蘑菇街':True, '支付宝钱包': True}).prob('male')
    print '8. 如果我们的输入中，有一个全新的应用“这个应用不存在”,这里的处理是不处理它'
    print 'Prob(female)', classifier.prob_classify({'蘑菇街':True, '支付宝钱包': True, '这个应用不存在':True}).prob('female')
    print 'Prob(male)', classifier.prob_classify({'蘑菇街':True, '支付宝钱包': True, '这个应用不存在':True}).prob('male')

以上程序的输出为：

以下是 _label_probdist的相关信息
1. 类型
<class 'nltk.probability.ELEProbDist'>
2. 标签的整体分布状况
female male 
4910 4420 
3. 由第二步推出的标签的概率分布
0.526256564141 0.473743435859
********************************
以下是 _feature_probdist的相关信息
1. 类型
<type 'dict'>
2. 从1的输出中可以看到其类型为dict，我们看它的一个key和value即可
(('female', '\xe6\x94\xaf\xe4\xbb\x98\xe5\xae\x9d\xe9\x92\xb1\xe5\x8c\x85'), <ELEProbDist based on 4910 samples>)
3. 从2中可以看到，其代表了，在标签为female的情况下，安装了支付宝钱包这个应用的概率分布
None True 
4833   77 
4. 3的输出，我们非常熟悉，也就是在所有4910个female用户中，有77个安装了支付宝钱包，没有安装的有4833个
有了这个分布，我们就可以计算出P(True|female, 支付宝钱包)，其意义就是，在female用户中，支付宝钱包这个属性为True的可能性为
0.0157809000204
5. 然后你会发现4中输出的P(True|female, 支付宝钱包)并不正好等于77./4910，这是因为使用ELEProbDist
也就是“期望相似性概率估计”，这种方法避免了P(True|female, 支付宝钱包)=0情况的出现，从而避免模型失效
6. 通过在训练集上的训练，我们得到了以上的概率分布，然后就可以使用训练好的模型来分类了，我们看一下安装了蘑菇街和支付宝钱包的用户是男还是女
female
7. 让我们看一下安传过了蘑菇街和支付宝钱包的用户男女的可能性
Prob(female) 0.994878529146
Prob(male) 0.00512147085357
8. 如果我们的输入中，有一个全新的应用“这个应用不存在”,这里的处理是不处理它
Prob(female) 0.994878529146
Prob(male) 0.00512147085357

这样通过使用NLTK，相比自己实现来说有了更简洁的代码，并且更容易维护，希望对有需要的同学有帮助。