首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >机器学习之朴素贝叶斯算法原理与代码实现

机器学习之朴素贝叶斯算法原理与代码实现

作者头像
用户7225427
发布2020-09-03 10:59:14
7780
发布2020-09-03 10:59:14
举报
文章被收录于专栏:厚积薄发厚积薄发

朴素贝叶斯算法原理与代码实现

本文系作者原创,转载请注明出处:https://cloud.tencent.com/developer/article/1691297

算法原理

朴素贝叶斯是经典的机器学习算法之一,也是为数不多的基于概率论的分类算法。朴素贝叶斯原理简单,也很容易实现,多用于文本分类,比如垃圾邮件过滤。

该算法的优点在于简单易懂、学习效率高、在某些领域的分类问题中能够与决策树、神经网络相媲美。

但由于该算法以自变量之间的独立(条件特征独立)性和连续变量的正态性假设为前提,就会导致算法精度在某种程度上受影响。

marco 博客https://www.cnblogs.com/marc01in/p/4775440.html的简单例子能够很形象说明其核心思想:

现在出现一个新的点new_point (x,y),其分类未知。我们可以用p1(x,y)表示数据点(x,y)属于红色一类的概率,同时也可以用p2(x,y)表示数据点(x,y)属于蓝色一类的概率。那要把new_point归在红、蓝哪一类呢?

我们提出这样的规则:

如果p1(x,y) > p2(x,y),则(x,y)为红色一类。

如果p1(x,y) <p2(x,y), 则(x,y)为蓝色一类。

换人类的语言来描述这一规则:选择概率高的一类作为新点的分类。这就是贝叶斯决策理论的核心思想,即选择具有最高概率的决策。

用条件概率的方式定义这一贝叶斯分类准则:

如果p(red|x,y) > p(blue|x,y), 则(x,y)属于红色一类。

如果p(red|x,y) < p(blue|x,y), 则(x,y)属于蓝色一类。

也就是说,在出现一个需要分类的新点时,我们只需要计算这个点的

max(p(c1 | x,y),p(c2 | x,y),p(c3 | x,y)...p(cn| x,y))。其对于的最大概率标签,就是这个新点的分类啦。

那么问题来了,对于分类i 如何求解p(ci| x,y)?

没错,就是贝叶斯公式:

如果要确定某个样本归属于哪一类,则需要计算出归属不同类的概率,再从中挑选出最大的概率。

我们把上面的贝叶斯公式写出这样,也许你能更好的理解:

而这个公式告诉我们,需要计算最大的后验概率,只需要计算出分子的最大值即可,而不同水平的概率P(C)非常容易获得,故难点就在于P(X|C)的概率计算。而问题的解决,正是聪明之处,即贝叶斯假设变量X间是条件独立的,故而P(X|C)的概率就可以计算为:

一般流程

  1. 收集数据:提供数据源(一般训练数据与测试数据比例为7:3);
  2. 准备数据:将数据源解析成词条向量;
  3. 分析数据:检查词条确保解析的正确性;
  4. 训练算法:用训练数据生成的分类器;
  5. 测试算法:用训练生成的分类器预测测试数据的结果,对比真实结果,计算错误率,衡量分类器的准确度。
  6. 使用算法:通过错误率来评估分类器;

代码实现(python)

myBayes.py:代码实现文件,代码已做了详细注释,包含3个示例:

  1. 过滤侮辱文档
  2. 过滤垃圾邮件
  3. 寻找在线RSS源排名靠前的单词
  1 # -*- coding: utf-8 -*-
  2 """
  3 Created on Mon Nov  5 14:02:18 2018
  4 
  5 @author: weixw
  6 """
  7 
  8 import numpy as np
  9 
 10 def loadDataSet():
 11     postingList=[['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'],
 12                  ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'],
 13                  ['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him'],
 14                  ['stop', 'posting', 'stupid', 'worthless', 'garbage'],
 15                  ['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'],
 16                  ['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']]
 17     classVec = [0,1,0,1,0,1]    #1 侮辱性, 0 not
 18     return postingList,classVec
 19 
 20 #输入:原始数据集
 21 #功能:创建一个包含所有原始数据集词语集合,这个列表中词语不重复。
 22 #输出:不重复词列表
 23 def createVocabList(dataSet):
 24     #创建一个空集合,这个集合中内容唯一,并且可动态扩展。
 25     vocabSet = set([])  #create empty set
 26     #获取每一行数据list
 27     for document in dataSet:
 28         #将每一行数据取出,合并到vocabSet集合中,vocabSet会自动过滤重复词
 29         vocabSet = vocabSet | set(document) #union of the two sets
 30     #将集合转化为列表list
 31     return list(vocabSet)
 32 
 33 #输入:列表集合(唯一),输入集合(一行文档内容)
 34 '''
 35 功能:检查输入集合单词是否在列表集合中,在则在列表集合对应位置设置为1,否则为0
 36 将每个词在文档中出现与否作为一个特征,称为词集模型(set-of-words model)
 37 '''
 38 #输出:向量列表(判断输入文档中每个单词是否在词汇样本中)
 39 def setOfWords2Vec(vocabList, inputSet):
 40     #初始化为0,长度为vocabList长度的集合
 41     returnVec = [0]*len(vocabList)
 42     #检查inputSet中每个单词是否在vocabList集合中,在则在vocabList对应位置置1,否则不作处理
 43     for word in inputSet:
 44         if word in vocabList:
 45             returnVec[vocabList.index(word)] = 1
 46         else: print ("the word: %s is not in my Vocabulary!" % word)
 47     return returnVec
 48 
 49 #输入:trainMatrix(文档数组(处理为0,1向量)),trainCategory(列标签数组)
 50 '''
 51 功能:生成分类器(获取最佳训练参数权值)
 52 训练样本以及测试样本大小要相同,通过标签指定行词语类别来计算训练样本对应位置权重参数值。
 53 这里有个假定前提,每一行词语是相互独立的,也就有
 54 p(w/c1) = p(w0,w1,w2...wn/c1) = p(w0/c1)*p(w1/c1)*p(w2/c1)***p(wn/c1)
 55 '''
 56 #输出:p0Vect(文档中非侮辱性词语概率),p1Vect(侮辱性词语概率),pAbusive(标签类中侮辱性标签概率) 
 57 def trainNB0(trainMatrix,trainCategory):
 58     #数据集行大小
 59     numTrainDocs = len(trainMatrix)
 60     #数据集列大小
 61     numWords = len(trainMatrix[0])
 62     #标签类中侮辱性标签概率(0:非侮辱,1:侮辱)
 63     #引入float强制转换是使结果为小数
 64     pAbusive = sum(trainCategory)/float(numTrainDocs)
 65     #初始化为数据集列大小的单位矩阵
 66     #p0Num:非侮辱性矩阵,p1Num:侮辱性矩阵
 67     p0Num = np.ones(numWords); p1Num = np.ones(numWords)      #change to ones() 
 68     #使np.log > 1,防止np.log分母为0而无法计算
 69     
 70     #防止分母为0。因为计算每个子项概率采用的对数log(防止下溢出),是以2为底的,如果pADDenom = 2.0,则避免了分母为0的可能。
 71     p0Denom = 2.0; p1Denom = 2.0                        #change to 2.0
 72     #遍历数据集每一行
 73     for i in range(numTrainDocs):
 74         #如果标签类中该行定义为侮辱性标签
 75         if trainCategory[i] == 1:
 76             #将数据集中指定侮辱性行对应数据迭代求和,结果还是矩阵
 77             #统计数据集中指定侮辱性行存在的词语(为1),并求和,结果是数字
 78             p1Num += trainMatrix[i]
 79             p1Denom += sum(trainMatrix[i])
 80         #如果标签类中该行定义为非侮辱性标签
 81         else:
 82             #将数据集中指定非侮辱性行对应数据迭代求和,结果还是矩阵
 83             p0Num += trainMatrix[i]
 84             #统计数据集中指定非侮辱性行存在的词语(为1),并求和,结果是数字
 85             p0Denom += sum(trainMatrix[i])
 86     #这里有个假定前提,每一行词语是相互独立的,也就有
 87     #p(w/c1) = p(w0,w1,w2...wn/c1) = p(w0/c1)*p(w1/c1)*p(w2/c1)***p(wn/c1)
 88     #计算数据集中侮辱性词语概率p(w/c1)
 89     #取对数是防止下溢出,由于概率因子都非常小,当计算乘积p(W0/Ci)*p(W1/Ci)*p(W2/Ci)...*p(Wn/Ci)时,得到结果会更小,
 90     #四舍五入会为0,所以采用log(a*b) = log(a) + log(b)
 91     p1Vect = np.log(p1Num/p1Denom)          #change to log()
 92     #计算数据集中非侮辱性词语概率p(w/c0)
 93     p0Vect = np.log(p0Num/p0Denom)          #change to log()
 94 
 95     return p0Vect,p1Vect,pAbusive
 96 '''
 97 输入:vec2Classify(测试文档(0.1向量)),p0Vec(非侮辱性概率训练参数),
 98 p1Vec(侮辱性概率训练参数),pClass1(标签类中侮辱性标签概率)
 99 功能:比较侮辱性和非侮辱性后验概率,判断测试文档所属类别
100 朴素贝叶斯公式:p(Ci/W) = p(W/Ci)p(Ci)/p(W)
101 输出:1:侮辱性文档 0:非侮辱性文档
102 '''
103 def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
104     #计算文档属于侮辱性标签概率p(c1/w)
105     #np.log是以2为底,求和实际是相乘
106     p1 = sum(vec2Classify * p1Vec) + np.log(pClass1)    #element-wise mult
107     #计算文档属于非侮辱性标签概率p(c0/w)
108     p0 = sum(vec2Classify * p0Vec) + np.log(1.0 - pClass1)
109     if p1 > p0:
110         #u"侮辱文档"
111         return 1 
112     else: 
113         #u"非侮辱文档"
114         return 0 
115  
116 #输入:列表集合(唯一),输入集合(文档或词汇表)
117 '''
118 功能:检查输入集合单词是否在列表集合中,在则在列表集合对应位置加1
119 如果一个词在文档中出现不止一次,这可能意味着包含该词是否出现在文档中所不能表达的某种信息,
120 称为词袋模型(bags-of-words model)。在词袋中,每个单子可以出现多次,而在词集中,每个词只能出现一次。
121 '''
122 #输出:向量列表(统计输入文档中每个单词在词汇样本中个数)
123 def bagOfWords2VecMN(vocabList, inputSet):
124     returnVec = [0]*len(vocabList)
125     for word in inputSet:
126         if word in vocabList:
127             returnVec[vocabList.index(word)] += 1
128     return returnVec
129 
130 #测试(过滤网站恶意留言)
131 def testingNB():
132     #获取数据集(数组),标签列表
133     listOPosts,listClasses = loadDataSet()
134     #将数据集数组转化为内容唯一的数据集list
135     #创建一个包含所有原始数据集词语集合,这个列表中词语不重复。
136     myVocabList = createVocabList(listOPosts)
137     trainMat=[]
138     #遍历数据集中每一行数组,将词语转化为向量0,1(1:该行数据中词语在myVocabList存在)
139     #词语文档 => 向量文档
140     for postinDoc in listOPosts:
141         trainMat.append(bagOfWords2VecMN(myVocabList, postinDoc))
142     #计算分类器训练参数
143     p0V,p1V,pAb = trainNB0(np.array(trainMat),np.array(listClasses))
144     #测试1
145     testEntry = ['love', 'my', 'dalmation']
146     #词语文档 => 向量文档
147     thisDoc = np.array(bagOfWords2VecMN(myVocabList, testEntry))
148     #结果分类
149     print (testEntry,'classified as: ',  u"0 (非侮辱文档)" if(classifyNB(thisDoc,p0V,p1V,pAb) == 0)  else u"1(侮辱文档)")
150     #测试2
151     testEntry = ['stupid', 'garbage']
152     #词语文档 => 向量文档
153     thisDoc = np.array(bagOfWords2VecMN(myVocabList, testEntry))
154     #结果分类
155     print (testEntry,'classified as: ', u"0 (非侮辱文档)" if(classifyNB(thisDoc,p0V,p1V,pAb) == 0)  else u"1(侮辱文档)")
156     
157 
158 #输入:文本字符串
159 '''
160 功能:文本处理,过滤掉一些不需要的字符(?,&,=...)以及URL中en和py这样的单词,
161 并全部转换为小写
162 '''
163 #输出:处理后的字符串集合
164 def textParse(bigString):    #input is big string, #output is word list
165     import re
166     #分隔符是除单词、数字外的任意字符都是分隔符
167     #string.split()只是以" "分隔
168     #正则匹配
169     listOfTokens = re.split(r'\W*', bigString)
170     #过滤掉少于2个字符的字符串,并全部转换为小写
171     return [tok.lower() for tok in listOfTokens if len(tok) > 2] 
172 
173 #测试(过滤垃圾邮件)
174 #说明:50封邮件中随机选取10封作为测试样本,剩下40封作为训练样本
175 def spamTest():
176     docList=[]; classList = []; fullText =[]
177     #email文件下26封正常邮件,26封垃圾邮件
178     for i in range(1,26):
179         #准备数据,文本预处理
180         wordList = textParse(open('email/spam/%d.txt' % i).read())
181         #保存为list(list递增 二维)
182         docList.append(wordList)
183         #保存为array(扩展 一维)
184         fullText.extend(wordList)
185         #标记邮件类别,垃圾邮件
186         classList.append(1)
187         #准备数据,文本预处理
188         wordList = textParse(open('email/ham/%d.txt' % i).read())
189         #保存为list(list递增 二维)
190         docList.append(wordList)
191         #保存为array(扩展 一维)
192         fullText.extend(wordList)
193         #标记邮件类别,正常邮件
194         classList.append(0)
195     #将数据集数组转化为内容唯一的数据集list
196     #创建一个包含所有原始数据集词语集合,这个列表中词语不重复。
197     vocabList = createVocabList(docList)#create vocabulary
198     #python3.x   range返回的是range对象,不返回数组对象
199     trainingSet = list(range(50)); testSet=[]           #create test set
200     #随机选取10封邮件作为测试数据
201     for i in range(10):
202         #在50封邮件中随机抽选
203         randIndex = int(np.random.uniform(0,len(trainingSet)))
204         #保存list中
205         testSet.append(trainingSet[randIndex])
206         #选取并保存后,去除该邮件对应的索引
207         del(trainingSet[randIndex])  
208     trainMat=[]; trainClasses = []
209     #剩余40封邮件作为训练样本,训练分类器参数
210     for docIndex in trainingSet:#train the classifier (get probs) trainNB0
211         #将处理后的文本转化为词向量(词袋模型),并保存
212         trainMat.append(bagOfWords2VecMN(vocabList, docList[docIndex]))
213         #保存对应标签
214         trainClasses.append(classList[docIndex])
215     #训练,获取最终训练参数
216     p0V,p1V,pSpam = trainNB0(np.array(trainMat),np.array(trainClasses))
217     
218     errRate = 0.0;iterNumber = 20
219     #迭代20次
220     for i in range(iterNumber):
221         errorCount = 0
222         #遍历测试数据集
223         for docIndex in testSet:        #classify the remaining items
224             #将处理后的测试数据转化为词向量(词袋模型),并保存
225             wordVector = bagOfWords2VecMN(vocabList, docList[docIndex])
226             #将训练后的参数导入分类器,输入测试的词向量,与测试数据对应标签比较,统计错误率
227             result = classifyNB(np.array(wordVector),p0V,p1V,pSpam)
228             if result != classList[docIndex]:
229                 errorCount += 1
230 #                print ("docIndex:%d,classification error:%s"%(docIndex, docList[docIndex]))
231                 print ("docIndex:%d,classification error, predict result: %d mark class result %d:"%(docIndex, result, classList[docIndex]))
232         #每次错误率
233         print ('the error rate is: ',float(errorCount)/len(testSet))
234         errRate += float(errorCount)/len(testSet)  
235     #平均错误率
236     print ("the mean error rate is:", float(errRate)/iterNumber)
237     
238     #return vocabList,fullText
239     
240 
241 #输入:vocabList(去重词汇表),fullText(未去重所有单词)
242 '''
243 功能:计算高频词汇。遍历词汇表中每个词并统计它在文本中出现的次数,然后根据出现次数从高到低对词典进行排序,
244 最后返回排序最高的30个单词。
245 '''
246 #输出:按降序排列的前30个单词以及单词对应出现次数
247 def calcMostFreq(vocabList,fullText):
248     import operator
249     freqDict = {}
250     #遍历词汇表中每个单词,统计每个单词出现的次数,然后以键值对保存
251     for token in vocabList:
252         freqDict[token]=fullText.count(token)
253     #以单词出现次数倒叙排列
254     sortedFreq = sorted(freqDict.items(), key=operator.itemgetter(1), reverse=True) 
255     #返回前30个键值对对象
256     return sortedFreq[:30]       
257 
258 #输入:feed1(RSS1源),feed0(RSS0源)
259 '''
260 功能:
261 1 根据朴素贝叶斯公式生成分类器;
262 2 判断随机抽选测试数据属于源RSS0或者RSS1;
263 3 计算分类错误率;
264 '''
265 #输出:vocabList(词汇表),p0V(源RSS0概率),p1V(源RSS1概率)
266 def localWords(feed1,feed0):
267 #    import feedparser
268     docList=[]; classList = []; fullText =[]
269     #获取源RSS0,RSS1最小行大小
270     minLen = min(len(feed1['entries']),len(feed0['entries']))
271     for i in range(minLen):
272         #文本处理
273         wordList = textParse(feed1['entries'][i]['summary'])
274         #保存list(二维)
275         docList.append(wordList)
276         #保存array(一维)
277         fullText.extend(wordList)
278         #添加标签
279         classList.append(1) #NY is class 1
280          #文本处理
281         wordList = textParse(feed0['entries'][i]['summary'])
282         #保存list(二维)
283         docList.append(wordList)
284         #保存array(一维)
285         fullText.extend(wordList)
286         #添加标签
287         classList.append(0)
288     #生成词汇表
289     vocabList = createVocabList(docList)#create vocabulary
290     #获取词汇表中单词在文本中出现次数,并截取排名前30键值对
291     top30Words = calcMostFreq(vocabList,fullText)   #remove top 30 words
292     #去除词汇表中排名前30单词
293     for pairW in top30Words:
294         if pairW[0] in vocabList: vocabList.remove(pairW[0])
295     #RSS0+RSS1
296     trainingSet = list(range(2*minLen)); testSet=[]           #create test set
297     #随机选取20作为测试数据,保存,然后在训练集中去除
298     for i in range(20):
299         randIndex = int(np.random.uniform(0,len(trainingSet)))
300         testSet.append(trainingSet[randIndex])
301         del(trainingSet[randIndex])  
302     trainMat=[]; trainClasses = []
303     #除去20个测试数据,剩下作为训练数据
304     for docIndex in trainingSet:#train the classifier (get probs) trainNB0
305         trainMat.append(bagOfWords2VecMN(vocabList, docList[docIndex]))
306         trainClasses.append(classList[docIndex])
307     #生成分类器,获取训练参数结果
308     p0V,p1V,pSpam = trainNB0(np.array(trainMat),np.array(trainClasses))
309     errorCount = 0
310     #计算测试分类错误率
311     for docIndex in testSet:        #classify the remaining items
312         wordVector = bagOfWords2VecMN(vocabList, docList[docIndex])
313         if classifyNB(np.array(wordVector),p0V,p1V,pSpam) != classList[docIndex]:
314             errorCount += 1
315     print ('the error rate is: ',float(errorCount)/len(testSet))
316     return vocabList,p0V,p1V
317 
318 #输入:ny(源RSS0),sf(源RSS1)
319 #功能:根据贝叶斯公式,通过训练分类器获得的分类概率,找到排名靠前的单词。
320 #输出:RSS0和RSS1出现频率排名靠前的单词
321 def getTopWords(ny,sf):
322 #    import operator
323     #获取训练样本词汇表,以及RSS0,RSS1的概率
324     vocabList,p0V,p1V=localWords(ny,sf)
325     topNY=[]; topSF=[]
326     #设置概率阈值,保存满足条件的键值对
327     for i in range(len(p0V)):
328         if p0V[i] > -6.0 : topSF.append((vocabList[i],p0V[i]))
329         if p1V[i] > -6.0 : topNY.append((vocabList[i],p1V[i]))
330     #RSS0最终结果排序
331     sortedSF = sorted(topSF, key=lambda pair: pair[1], reverse=True)
332     print (u"RSS0最终结果排序")
333     #打印RSS0频率最高词汇
334     for item in sortedSF:
335         print (item[0])
336     #RSS1最终结果排序
337     sortedNY = sorted(topNY, key=lambda pair: pair[1], reverse=True)
338     print (u"RSS1最终结果排序")
339     #打印RSS1频率最高词汇
340     for item in sortedNY:
341         print (item[0])

测试文件:testMyBayes.py

 1 # -*- coding: utf-8 -*-
 2 """
 3 Created on Mon Nov  5 14:08:32 2018
 4 
 5 @author: weixw
 6 """
 7 
 8 import myBayes as mb;
 9 import feedparser as fp
10 
11 #过滤网站恶意留言
12 mb.testingNB();
13 
14 #过滤垃圾邮件
15 mb.spamTest()
16 
17 
18 ny = fp.parse('http://www.people.com.cn/rss/politics.xml')
19 length = len(ny['entries'])
20 
21 sf = fp.parse('http://www.people.com.cn/rss/world.xml')
22 length = len(ny['entries'])
23 
24 #vocabList,pSF,pNY = bs.localWords(ny,sf)
25 
26 #找到排名靠前的单词
27 mb.getTopWords(ny,sf);

测试运行结果

  1. 过滤侮辱文档

由给定的标签类可以看出,预测分类结果是正确的。

  1. 过滤垃圾邮件(40封作为训练样本,10封作为测试样本),迭代次数:20

结果一:对垃圾邮件的过滤准确度平均只有80%,而且还会把正确邮件错认为垃圾邮件。

结果二:对垃圾邮件的过滤准确度100%。

出现两种不同结果的原因是:训练样本太少,导致准确度不稳定,并且产生了将正确邮件错认为垃圾邮件。

结果二

  1. 寻找在线RSS源排名靠前的单词

通过RSS源http://www.people.com.cn/rss/politics.xml,http://www.people.com.cn/rss/world.xml

来校验。

参考文献

《机器学习实战》

博客:http://www.cnblogs.com/marc01in/p/4775440.html

不要让懒惰占据你的大脑,不要让妥协拖垮了你的人生。青春就是一张票,能不能赶上时代的快车,你的步伐就掌握在你的脚下。

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2018-11-05 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 朴素贝叶斯算法原理与代码实现
    • 算法原理
      • 一般流程
        • 代码实现(python)
        • 测试运行结果
        • 参考文献
        领券
        问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档