机器学习实战精读--------朴素贝叶斯(NBC)
2017-08-18 13:20
281 查看
朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法
贝叶斯决策理论核心思想:选择具有最高概率的决策
贝叶斯分类器的基本方法:在统计资料的基础上,依据某些特征,计算各个类别的概率,从而实现分类
朴素:朴素贝叶斯假设特征之间是独立,互不影响。
拉普拉斯平滑:为了解决零概率的问题,法国数学家拉普拉斯最早提出用加1的方法估计没有出现过的现象的概率,所以加法平滑也叫做拉普拉斯平滑。
贝努利模型:假设词是等权重的,只考虑出现不出现,不考虑出现的次数
多项式模型:考虑词在文档中的出现次数
所有特征彼此独立"这个假设,在现实中不太可能成立,但是它可以大大简化计算,而且有研究表明对分类结果的准确性影响不大。
词袋模型:每个词可以出现多次
词集模型:每个词只能出现一次
下溢出:通过求对数可以避免下溢出或者浮点数摄入导致的错误。
停用词:是指在信息检索中,为节省存储空间和提高搜索效率,在处理自然语言数据(或文本)之前或之后会自动过滤掉某些字或词,这些字或词即被称为Stop Words(停用词)。
演绎推理:就是从一般性的前提出发,通过推导即“演绎”,得出具体陈述或个别结论的过程。
贝叶斯决策理论核心思想:选择具有最高概率的决策
贝叶斯分类器的基本方法:在统计资料的基础上,依据某些特征,计算各个类别的概率,从而实现分类
朴素:朴素贝叶斯假设特征之间是独立,互不影响。
拉普拉斯平滑:为了解决零概率的问题,法国数学家拉普拉斯最早提出用加1的方法估计没有出现过的现象的概率,所以加法平滑也叫做拉普拉斯平滑。
贝努利模型:假设词是等权重的,只考虑出现不出现,不考虑出现的次数
多项式模型:考虑词在文档中的出现次数
#coding:utf-8 from numpy import * #创建实验样本 def 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 是侮辱性的, 0 不是 return postingList,classVec #创建词汇表,表中数据不重复 def createVocabList(dataSet): vocabSet = set([]) #创建一个空的集合 for document in dataSet: vocabSet = vocabSet | set(document) #求两个集合的并集 return list(vocabSet) #返回一个包含一个在所有文档中出现的不重复词的列表 #输出文档向量 给一篇文档,返回一个词向量 def setOfWords2Vec(vocabList, inputSet): returnVec = [0]*len(vocabList) #创建一个和词汇表等长的向量,讲它的元素都设置为0 for word in inputSet: #遍历文档中所有单词 if word in vocabList: #如果出现词汇表中的单词 returnVec[vocabList.index(word)] = 1 #将输出文档向量的对应值设为1 else: print "the word: %s is not in my Vocabulary!" % word return returnVec #朴素贝叶斯分类器训练函数 def trainNB0(trainMatrix,trainCategory): #trainMatrix :文档矩阵;trainCategory;词向量 numTrainDocs = len(trainMatrix) numWords = len(trainMatrix[0]) pAbusive = sum(trainCategory)/float(numTrainDocs) p0Num = ones(numWords); p1Num = ones(numWords) 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]) p1Vect = log(p1Num/p1Denom) #log() 方法返回x的自然对数。 p0Vect = log(p0Num/p0Denom) return p0Vect,p1Vect,pAbusive #朴素贝叶斯分类函数 def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1): #vec2Classify:要分类的向量; p0Vec p1Vec pClass1 : trainNB0 的输出的三个概率值 p1 = sum(vec2Classify * p1Vec) + log(pClass1) #计算两个向量相乘的结果 p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1) if p1 > p0: return 1 else: return 0 def bagOfWords2VecMN(vocabList, inputSet): returnVec = [0]*len(vocabList) for word in inputSet: if word in vocabList: returnVec[vocabList.index(word)] += 1 return returnVec #便利函数,封装所有的操作 def 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) #接收一个大写字符串并将其解析为字符串列表. def textParse(bigString): #输入一个大字符串, #输出一个词列表 import re listOfTokens = re.split(r'\W*', bigString) return [tok.lower() for tok in listOfTokens if len(tok) > 2] #使用列表推导式 把所有的字符串转换为小写 #对贝叶斯垃圾邮件分类器进行自动化处理 def spamTest(): docList=[]; classList = []; fullText =[] for i in range(1,26): 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)#create vocabulary trainingSet = range(50); testSet=[] #create test set 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:#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 "classification error",docList[docIndex] print 'the error rate is: ',float(errorCount)/len(testSet) def calcMostFreq(vocabList,fullText): import operator freqDict = {} for token in vocabList: #遍历词汇表 freqDict[token]=fullText.count(token) #统计词在文本中出现的次数,写入字典freqDict中 sortedFreq = sorted(freqDict.iteritems(), key=operator.itemgetter(1), reverse=True) #根据出现次数从高到低对词典进行排序 return sortedFreq[:30] #返回排序最高的30个单词 def localWords(feed1,feed0): import feedparser 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,p1V #显示最具表征性的词汇 def getTopWords(ny,sf): import operator 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]小结:
所有特征彼此独立"这个假设,在现实中不太可能成立,但是它可以大大简化计算,而且有研究表明对分类结果的准确性影响不大。
词袋模型:每个词可以出现多次
词集模型:每个词只能出现一次
下溢出:通过求对数可以避免下溢出或者浮点数摄入导致的错误。
停用词:是指在信息检索中,为节省存储空间和提高搜索效率,在处理自然语言数据(或文本)之前或之后会自动过滤掉某些字或词,这些字或词即被称为Stop Words(停用词)。
演绎推理:就是从一般性的前提出发,通过推导即“演绎”,得出具体陈述或个别结论的过程。
相关文章推荐
- 【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)
- 机器学习实战精读--------奇异值分解(SVD)
- 机器学习实战—朴素贝叶斯及要点注解
- 【机器学习实战】4.基于概率论的分类方法——朴素贝叶斯
- 机器学习实战第四章——朴素贝叶斯分类(源码解析)
- 机器学习实战--笔记4(朴素贝叶斯)
- 机器学习实战【3】(朴素贝叶斯)
- PYTHON机器学习实战——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】代码报错(python3)
- 机器学习实战之朴素贝叶斯
- 《机器学习实战(Scala实现)》(四)——朴素贝叶斯
- 机器学习实战-朴素贝叶斯笔记
- 机器学习入门实战——朴素贝叶斯实战新闻组数据集
- 机器学习Matlab实战之垃圾邮件分类————朴素贝叶斯模型
- 机器学习实战1:朴素贝叶斯模型:文本分类+垃圾邮件分类
- 机器学习实战精读--------决策树 推荐
- 机器学习实战 - 第四章 基于概率论的分类方法:朴素贝叶斯 - 学习随手记
- 机器学习实战精读--------K-均值聚类算法
- [置顶] 机器学习实战:朴素贝叶斯(Naive Bayes)
- python机器学习实战3:朴素贝叶斯分类器