基于朴素贝叶斯的分类模型及代码示例 | 机器分类

贝叶斯分类器是一类分类算法的总称，贝叶斯分类均以贝叶斯定理为基础，朴素贝叶斯是贝叶斯分类中简单实用的一种，是基于贝叶斯定理与特征条件独立假设的分类方法。

有时使用概率要比那些硬规则有效的多，贝叶斯准则和贝叶斯定理就是利用已知值来估计未知概率的方法。使用概率论进行分类，首先从一个最简单的概率分类器开始，进而给出一些假设来学习朴素贝叶斯分类器。之所以称之为“朴素”，是因为在整个过程当中我们都使用的是最原始，最简单的假设。贝叶斯算法的基础是概率问题，分类的原理是通过某对象的先验概率，利用贝叶斯公式计算出它的后验概率（对象属于某一类的概率），选取具有最大后验概率的类作为该对象所属的类。

（1）朴素贝叶斯分类器

分类的原理是通过某对象的先验概率，利用贝叶斯公式计算出它的后验概率（对象属于某一类的概率），选取具有最大后验概率的类作为该对象所属的类。把Ａ和Ｂ看作是随机变 量，那么 P(B|A)就是Ｂ的后验概率，P(B)是 B 的先验概率。 对于朴素贝叶斯分类器，要做出两个假设： 1）特征之间相互独立，即一个特征的出现于其它相邻的特征并无关系； 2）每个特征同等重要。

（2）基于朴素贝叶斯的文档分类模型

整个文档看成是实例，而文档中的元素相应的构成特征。我们可以观察文档中出现的词，并把每个词的出现与否相应的作为特征，进而构造分类器对文档进行分类。以一个留言社区为例，为了过滤掉那些内容不当的侮辱性言论，对此可以建立两个类别：侮辱性和非侮辱性，分别用 0 和 1 来表示。

代码示例

#coding:utf-8 from numpy import * import sys sys.path.append("E:....") ##从文本中构建向量 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] ##分别表示标签 return postingList,classVec ##返回输入数据和标签向量 def createVocabList(dataSet): vocabSet = set([]) for document in dataSet: vocabSet = vocabSet | set(document) return list(vocabSet)##输出不重复的元素

def setOfWords2Vec(vocabList, inputSet):###判断了一个词是否出现在一个文档当中。 returnVec = [0]*len(vocabList) for word in inputSet: if word in vocabList: returnVec[vocabList.index(word)] = 1 else: print "the word: %s is not in my Vocabulary!" % word return returnVec###输入中的元素在词汇表时，词汇表相应位置为 1，否则为 0

''' #测试 dataSet,classes = loadDataSet() print(dataSet) vocabList = createVocabList(dataSet) print(vocabList) setWordsVec = setOfWords2Vec(vocabList,dataSet[0]) print(setWordsVec) ''' 得到每个特征的条件概率： def trainNB0(trainMatrix,trainCategory):###输入的文档信息和标签 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) p0Vect = log(p0Num/p0Denom) return p0Vect,p1Vect,pAbusive ''' #测试 dataSet,classes = loadDataSet() vocabList = createVocabList(dataSet) trainMat = [] for item in dataSet: trainMat.append(setOfWords2Vec(vocabList,item)) p0v,p1v,pAb = trainNB0(trainMat,classes) print(p0v) print(p1v) print(pAb) '''

实现分类 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

#词袋模型(返回所有词汇出现的次数） def bagOfWords2VecMN(vocabList, inputSet): returnVec = [0]*len(vocabList) for word in inputSet: if word in vocabList: returnVec[vocabList.index(word)] += 1 return returnVec

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) ''' #测试 testingNB() '''