多种贝叶斯模型构建及文本分类的实现
当前数据挖掘技术使用最为广泛的莫过于文本挖掘领域,包括领域本体构建、短文本实体抽取以及代码的语义级构件方法研究。常用的数据挖掘功能包括分类、聚类、预测和关联四大模型。本文针对四大模型之一的分类进行讨论。分类算法包括回归、决策树、支持向量机、贝叶斯等,显然,不少涉及机器学习的知识。本文重点介绍贝叶斯分类,涉及朴素贝叶斯模型、二项独立模型、多项模型、混合模型等知识。本文针对几种模型,采用算法概述、算法公式解析、公式推理、优缺点比较等进行总结。
于半月前,针对文本分类进行学习,实验的目的是通过对下图1中的不同情感文本构建训练集模型,对应的下图2是对训练集的注释说明。
类标0开头为喜悦类别;
类标1开头的为愤怒类别;
类别2开头的是厌恶类别;
类别3开头的为低落类别。
4个训练集文本,分别对应4个分类。如何通过训练集构造分类器,并对测试数据进行验证是本课题的最终目的。其中会涉及贝叶斯公式的理解与实现,文本的预处理(下图1中0_simplifyweibo的训练集是处理过的数据如下图),分词工具的使用,不同贝叶斯模型的构造,试验结果对比。核心思路就两点:1,模型训练阶段 2,分类预测阶段。完整流程如下:
-->训练文本预处理,构造分类器。(即对贝叶斯公式实现文本分类参数值的求解,暂时不理解没关系,下文详解)
-->构造预测分类函数
-->对测试数据预处理
-->使用分类器分类
-- 公式 P( Category | Document) = (P ( Document | Category ) * P( Category))/ P(Document) -- 朴素贝叶斯分类器: P(c|d)~=P(c)*P(d|c) -- 训练阶段:对每一个W_k,C_i估计先验条件概率P(w_k|c_i)和概率P(C_i) -- 分类阶段:计算后验概率,返回使后验概率最大的类 -- C(d)=argmax {P(C_i)*P(d|c_i)
对于一个新的训练文档d,究竟属于如上四个类别的哪个类别?我们可以根据贝叶斯公式,只是此刻变化成具体的对象。
> P( Category | Document):测试文档属于某类的概率
> P( Category)):从文档空间中随机抽取一个文档d,它属于类别c的概率。(某类文档数目/总文档数目)
> (P ( Document | Category ):文档d对于给定类c的概率(某类下文档中单词数/某类中总的单词数)
> P(Document):从文档空间中随机抽取一个文档d的概率(对于每个类别都一样,可以忽略不计算。此时为求最大似然概率)
> C(d)=argmax {P(C_i)*P(d|c_i)}:求出近似的贝叶斯每个类别的概率,比较获取最大的概率,此时文档归为最大概率的一类,分类成功。
综上:对训练集构成训练分类器模型的过程,本质是对参数模型的求解。然后将这些参数在预测方法中使用,根据公式获取最大概率即可完成文档分类。
朴素贝叶斯公式:(假设条件:当文档d属于类c时,文档d中的元素w的取值与类c中的w的取值是独立关系[实际显示不独立,一种近似处理])
公式解析:
> P(d):从文档空间中随机抽取一个文档d的概率(对于每个类别都一样,可以忽略不计算。此时为求最大似然概率)
> P(c):从文档空间中随机抽取一个文档d,它属于类别c的概率。(某类文档数目/总文档数目)
> (P ( d| c ):文档d对于给定类c的概率(某类下文档中单词数/某类中总的单词数)
> 类别集: c={c1,c2,.....,cn}
> 文档向量: d={w1,w2,.....,wn}
> 类别集: c={c1,c2,.....,cn}
> P(c| d):测试文档d属于某类c的概率(估计条件概率)【估计概率:训练集中进行训练过程,在某种假设条件下实现的】
> MaxP(c| d):测试文档d属于某类c的最大概率
先验条件概率:
将(2)式代入(1)得:(下式中p(d)对于所有的类c都是一样的)
注:只要对上式中的分母求出最大值即可。分母中的左部分通过(某类文档数目/总文档数目)易得,右侧中通过求文档d和c中单词量即可。到此,解决思路和思想都有了,下面基于此完成算法。
算法1:文本分类的朴素贝叶斯算法
训练阶段:对每一个w_k,c_i估计先验条件概率p(w_k|c_i)和概率p(c_i)。
分类阶段:计算后验概率,返回使后验概率最大的类。
算法具体实现:
/**
* 朴素贝叶斯文本分类器
* 训练阶段
* 算法思想:文档d属于某类c的概率=文档空间随机抽取一个文档d属于某类c的概率*文档中的单词与总单词的比例
* P(c|d)~=P(c)*P(d|c)
* P(c)=classDocnum/classAlldocnum
* 计算参数:
* classDocnum:某类中的文档数目
* classAlldocnum:数据集中总的文档数目
* classWordfru:某类下文档中单词频数
* classAllwordnum:某类中总的单词数
* @param fileDirPath 训练集文件夹目录 */
运行结果:
二项独立模型又称为多变量伯努利模型,是朴素贝叶斯最常用的实现模型之一。使用二值向量来表示文档,当w=1时,单词在文档中出现w=0不出现。只是在求解先验概率时候有所变化,其他和朴素贝叶斯一样。后面会涉及平滑因子避免分母为0的问题。
二项独立模型的先验概率:(假设条件:其在一定假设条件下实现的,即给定的类c_i,文档d中单词w_k和w_i是否出现是相互独立的。)
公式解析:
> 其使用二值向量来表示一个文档,即d={w1,w2,...,w|v|},其中w_k属于{0,1}
>|V|:单词表的尺寸
> w_k=1:单词w在文档中出现
> P_ki:P(w_k=1|c_i)
其中文档d可以看做|V|重独立的伯努利试验,对于给定的c_i,文档d的条件概率可以通过(3)估计这里n=|V|,同样文档d的类别可以通过公式(4)决定,把公式(6)代入(2)(4))
> (7)式到(8): ΠA*B=ΣlogA+ΣlogB
> (8)式中可知,虽然模型中考虑单词出现和未出现情况,但是分类起作用的实际上是w_k非零的单词。
参数估计:
模型中用到的参数都是通过训练阶段,从训练数据中学习得到的,通常取它们的最大似然估计(即(1)式中去掉分母p(d)),设训练文档集D={d1,d2,...,d|v|}
类c的概率由下式估计:
> n_i:训练集中类别c_i的 文档数
当类别c_i 的文档数为0,即n_i=0,导致p(c_i)=0.最后最大似然概率为0的后果,该如何避免?
平滑因子的出现:
> n_i:训练集中类别c_i的 文档数
> n_ki:训练文档集中含有w_k,并且类别c_i的文档数
具体代码实现:
运行结果:
比BIM更为常用,与BIM不同,多项式,模型考虑单词在文档中的词频信息。最终处理还是后验条件概率在建模和预测的影响,不同于以上先验概率的求解。下面具体剖析。
模型中,文档可以看做一个长度为f的单词序列(同一个单词可出现多次),并假设文档的长度与类别无关,而且每个单词出现的位置与其他单词独立,设单词w_k在文档中词频f_k。
文档d在给定类别c_i的条件概率p(d|c_i)可由下面公式:
将(11)式代入(4)得多项式模型的分类判别规则:
> 多项式模型在判别文档d的类别时,同样只是使用频数非零的单词。(多项式也是通过文档中出现单词来判定文档类别)
对于类别c_i的先验概率估计。多项模型与二项模型一样,都使用公式(9)
单词w_k对于类c_i的条件先验条件概率的估计(多项式考虑同一词多次出现)
> n_ki:w_k在类别c_i中出现总次数
> |V|: 训练集中单词表的尺寸
算法实现:
运行结果:
在估计单词对类别的先验概率时使用二项独立模型,而分类阶段估计类别对于特分类文档的后验概率时,使用多项式模型
实际中,训练文档通常充足,不使用单词在文档中的频率信息,也可以很好的分类,过多考虑频率信息非但不会对分类有帮助,反而起相反作用。但是在训练阶段可以不考虑频率信息,在分类阶段,我们针对文档,这时单词在文档中的频数信息尤为重要。如果 仅仅考虑出现与否,不同类别出现共同频数高的词被忽略,可能导致分类误差大
先验条件概率:通过m估计
> n_ki:w_k与c_i同时出现的次数
> n_i:训练集中类别c_i的出现的次数
> p:w_k在c_i出现的估计概率
> m:等效样本数
注:二项独立模型中取p=1/2,m=2
多项式模型取p=1/|V| , m=|V| |V|:单词表尺寸
然而。实际中某类的局部单词表比整个数据集小得多,因此BIM中估计模型中单词对类条件先验概率取p=1/2不合理。故混淆模型中估计p(w_K|c_i)时,不使用公式(10),而参考MM模型中处理方式取p=1/|v|,m=|v|
> n_ki:训练文档含有单词W_k并且为c_i的文档数
> n_i:训练文档中类别c_i的文档次数
> |V|:单词表尺寸
算法2:混淆模型的朴素贝叶斯分类器
训练阶段:利用公式(16)估计先验条件概率p(w_k|c_i),利用公式(9)估计概率p(c_i)。
分类阶段:给定待分类文档d用公式(13)决定它的类别。
引入单词量相关的平滑因子,p仍旧为1/|V|,而等效样本数m则取平均每类包含的单词量的α倍(α<<1)得到:
在算法2中,用公式(11)代替(16)对p(w_k|c_i)进行估计。
本文的对之前项目和资料进行整理总结所得,完整的写了一天,本文还有待完善的部分:多个数据集分类效果的比较、不同平滑因子分类结果、分类结果的验证(比如10-折交叉验证)、与决策树支持向量机分类的优缺点比较等。在文档整理过程中不少内容没有一一写进了,包括部分内容只是提取核心知识,欢迎大家指正和优化。