《机器学习实战》学习笔记五:朴素贝叶斯分类
2018-01-25 21:05
1571 查看
1.贝叶斯决策理论
如图,在数据集中有两类数据,分布如下:
我们用p1(x,y)和p2(x,y)分别表示某一数据点在两类数据中的概率,那么对于一个新的数据点,可以用以下规则来判断它的类别:
若p1(x,y) > p2(x,y),则为类别1
若p1(x,y) < p2(x,y),则为类别2
这就是贝叶斯决策的思想,即选择具有最高概率的决策。
2.一些概率论基础
那么这个概率要如何计算呢?这里补充一些概率论的基础。
条件概率:
P(A|B)=P(A∩B)/P(B)
P(A∩B)=P(A|B)*P(B)=P(B|A)*P(A)
贝叶斯推断:
将条件概率变形可得:P(A|B)=P(B|A)*P(A)/P(B)
该公式被称为贝叶斯推断
朴素贝叶斯:
朴素贝叶斯是在条件概率的基础上做了独立性的假设,如以下公式,假设有n个特征:
P(A|X)=P(X|A)*P(A)=P(X1,X2,X3,…Xn|A)*P(A)
若每个特征都相互独立,则可以将公式拆分为:
P(A|X)=P(X|A)P(A)={P(X1|A)P(X2|A)*P(X3|A)…*P(Xn|A)}*P(A)
以上称为朴素贝叶斯推论
3.使用朴素贝叶斯进行分类
分类器训练函数:
这一部分将应用贝叶斯公式通过词向量来计算概率,将公式改写为:
P(Ci|W)=P(W|Ci)P(Ci)/P(W)
根据公式,首先要计算P(Ci),即侮辱性或者非侮辱性文档的在总文档中的概率,这个比较容易计算,然后计算P(W|Ci),此时会用到朴素贝叶斯假设,假设W和C都相互独立,那么P(w|Ci)=P(W0|Ci)P(W1|Ci)P(W2|Ci)…P(Wn|Ci),这样计算起来就方便多了。
实现代码如下:
函数输入两个参数,分别是文档词向量矩阵,和标签向量,首先计算侮辱性文档的概率,然后计算P(Wi|C0)和P(Wi|C1),需要初始化分子和分母的变量,然后遍历文档,一旦某有侮辱性单词或者非侮辱性词出现,便将该词对应的个数(p1Num或者p0Num)加1,同时该文档的总词数也要加1,最后对每个元素都除以该类别的总词数(利用NumPy库可实现一个数组除以浮点数),最后返回两个向量和一个概率。
构建分类器:
测试分类器:
词袋模型:
以是否出现为特征的模型叫作词集模型,以出现次数为特征的模型叫作词袋模型,词袋模型在遇到单词时会将对应的词向量的值加1,代码如下:
以上这些工作,分类器就做好了,下一节将利用分类器操作一些实例。
如图,在数据集中有两类数据,分布如下:
我们用p1(x,y)和p2(x,y)分别表示某一数据点在两类数据中的概率,那么对于一个新的数据点,可以用以下规则来判断它的类别:
若p1(x,y) > p2(x,y),则为类别1
若p1(x,y) < p2(x,y),则为类别2
这就是贝叶斯决策的思想,即选择具有最高概率的决策。
2.一些概率论基础
那么这个概率要如何计算呢?这里补充一些概率论的基础。
条件概率:
P(A|B)=P(A∩B)/P(B)
P(A∩B)=P(A|B)*P(B)=P(B|A)*P(A)
贝叶斯推断:
将条件概率变形可得:P(A|B)=P(B|A)*P(A)/P(B)
该公式被称为贝叶斯推断
朴素贝叶斯:
朴素贝叶斯是在条件概率的基础上做了独立性的假设,如以下公式,假设有n个特征:
P(A|X)=P(X|A)*P(A)=P(X1,X2,X3,…Xn|A)*P(A)
若每个特征都相互独立,则可以将公式拆分为:
P(A|X)=P(X|A)P(A)={P(X1|A)P(X2|A)*P(X3|A)…*P(Xn|A)}*P(A)
以上称为朴素贝叶斯推论
3.使用朴素贝叶斯进行分类
from numpy import * 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代表侮辱性文字,0代表正常言论 return postingList,classVec def createVocabList(dataSet): vocabSet = set([]) #创建一个无序不重复集合 for document in dataSet: vocabSet = vocabSet|set(document) #并集 return list(vocabSet) def setOfWords2Vec(vocabList,inputSet): returnVec = [0]*len(vocabList) #创建一个元素全为0的集合 for word in inputSet: #遍历词汇表,并将出现的标记为1 if word in vocabList: returnVec[vocabList.index(word)] =1 else:print("the word: %s is not in my Vocabulary!"% word) return returnVec
分类器训练函数:
这一部分将应用贝叶斯公式通过词向量来计算概率,将公式改写为:
P(Ci|W)=P(W|Ci)P(Ci)/P(W)
根据公式,首先要计算P(Ci),即侮辱性或者非侮辱性文档的在总文档中的概率,这个比较容易计算,然后计算P(W|Ci),此时会用到朴素贝叶斯假设,假设W和C都相互独立,那么P(w|Ci)=P(W0|Ci)P(W1|Ci)P(W2|Ci)…P(Wn|Ci),这样计算起来就方便多了。
实现代码如下:
def trainNB0(trainMatrix,trainCategory): #输入词向量矩阵和标签向量 numTrainDocs = len(trainMatrix) #文档数 numWords = len(trainMatrix[0]) #每个文档的单词数 pAbusive = sum(trainCategory)/float(numTrainDocs) #侮辱性文档比例 p0Num = ones(numWords);p1Num = ones(numWords) #初始化变量,为了避免除以0和乘以0的影响,将zeros()改为ones() p0Denom = 2.0;p1Denom = 2.0 #同上将0.0改为2.0 for i in range(numTrainDocs): #遍历词向量矩阵 if trainCategory[i]==1: p1Num +=trainMatrix[i] p1Denom+=sum(trainMatrix[i]) else: p0Num +=trainMatrix[i] p0Denom +=sum(trainMatrix[i]) p1Vect = log(p1Num/p1Denom) #改为log() p0Vect = log(p0Num/p0Denom) return p0Vect,p1Vect,pAbusive
函数输入两个参数,分别是文档词向量矩阵,和标签向量,首先计算侮辱性文档的概率,然后计算P(Wi|C0)和P(Wi|C1),需要初始化分子和分母的变量,然后遍历文档,一旦某有侮辱性单词或者非侮辱性词出现,便将该词对应的个数(p1Num或者p0Num)加1,同时该文档的总词数也要加1,最后对每个元素都除以该类别的总词数(利用NumPy库可实现一个数组除以浮点数),最后返回两个向量和一个概率。
构建分类器:
def 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 0
测试分类器:
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))
词袋模型:
以是否出现为特征的模型叫作词集模型,以出现次数为特征的模型叫作词袋模型,词袋模型在遇到单词时会将对应的词向量的值加1,代码如下:
def bagOfWords2VecMN(vocabList,inputSet): returnVec = [0]*len(vocabList) for word in vocabList: if word in vocabList: returnVec[vocabList.index(word)]+=1 return returnVec
以上这些工作,分类器就做好了,下一节将利用分类器操作一些实例。
相关文章推荐
- 《机器学习实战》(1)——kNN算法
- 《机器学习实战》读书笔记—k近邻算法c语言实现(win下)
- python编程之《机器学习实战》中常用的编程知识
- 《机器学习实战》课程笔记(第2章) k-近邻算法
- 《机器学习实战》学习笔记:绘制树形图&使用决策树预测隐形眼镜类型
- 《机器学习实战》笔记之十——利用K均值聚类算法对未标注数据分组
- 《机器学习实战》学习笔记之朴素贝叶斯(Naive Bayes)
- 机器学习实战(四)——logisticRegression逻辑回归
- 《机器学习实战》--k近邻分类算法kNN
- [完]机器学习实战 第一章 机器学习基础(Maching Learning Foundation)
- 机器学习实战(三)--朴素贝叶斯
- 《机器学习实战》——决策树代码
- 基于kNN的手写字体识别——《机器学习实战》笔记
- 《机器学习实战》读书笔记6:朴素贝叶斯源码
- 《机器学习实战》笔记之五——Logistic回归
- [置顶] 《机器学习实战》——KNN分类算法
- 机器学习实战+统计学习方法之理解KNN(1.实战代码的详细走读和解析)
- 【机器学习实战】第2章 K-近邻算法(k-NearestNeighbor,KNN)
- 《机器学习实战》基于朴素贝叶斯分类算法构建文本分类器的Python实现
- 机器学习实战(第1章 机器学习基础)