机器学习算法之 朴素贝叶斯 分类
基于概率论的分类算法:朴素贝叶斯
1、核心思想:选择高概率对应的类别
如下图:
两类数据分布如下,用p1(x,y)表示数据点(x,y)属于类别1(图中圆点表示的类别)的概率,用p2(x,y)表示数据点(x,y)属于类别2(图中三角形点表示的类别)的概率,那么对于一个新数据点(x,y),可以用下面的规则来判断他的类别:
1)如果p1(x,y) > p2(x,y),那么类别为1
2)如果p2(x,y) > p1(x,y),那么类别为2
也就是,我们会选择高概率对应的类别,这就是贝叶斯理论的核心思想
2、算法原理
贝叶斯条件概率准则(计算条件概率的方法)
已知条件p(X|C),得到p(C|X)的条件概率,条件概率基本概念读者执行补读下
使用贝叶斯条件概率准则(条件概率)分类
3、实例
以留言板分类为例,分类一个留言板是否友好,
找出单词的概率, 认为这些单词出现的概率是独立的(实际上并不是很准确,有些单词可能有相互依赖,但不影响算法),即独立的特征概率,朴素贝叶斯的朴素来源这个,把特征简单认为相互独立的。
具体算法:
W为词向量,Ci为类别I。 p(Ci|w)是词向量W的类别I的概率。本章是类别两种类型,那么p(C1|w) > p(C2|w)分类为1类型,否则分类为2类型。
训练算法:
条件概率换算(上述公式),计算p(W|Ci)和P(Ci)即可,
P(Ci)的概率 = 训练数据集中的i类型总数 / 训练集的总数
p(W|Ci)按词展开p(W0, W1, W2, …Wn | Ci)因为假设这些单词相互独立的,那可以使用p(W0 | Ci)* p(W1| Ci)* p(W2| Ci)…p(Wn| Ci)来计算,这样就很好计算,p(W0 | Ci)就是W0单词再i类型文章中出现的概率
测试算法:
计算出上述p(W|Ci)和P(Ci)后,目标词向量Wx的概率= p(Wx|Ci)* P(Ci), 然后p(Wx|C1)> p(Wx|C2)分类为1类型,否则2类型
4、代码
上述留言板为例,创建一个bayes.py文件,下面所有code部分拷贝进去。下面一一来看代码。
4.1准备工作
设留言数据保存在postingList数组里,每一行为一个留言文章,loadDataSet为获取数据的函数(包括数据及对应的类别)
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 is abusive, 0 not
return postingList,classVec
创建一个词典向量,即文章中出现的不重复的所有单词的列表
def createVocabList(dataSet):
vocabSet = set([]) #create empty set
for document in dataSet:
vocabSet = vocabSet | set(document) #union of the two sets
return list(vocabSet)
把一个文章(文本)转化为向量
def setOfWords2Vec(vocabList, inputSet):
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
上面三个部分作为数据准备工作,读数据、生成词典向量,词向量。运行下效果:
#>> import bayes
读取数据列表和类别
#>> listOfPosts,listClasses = bayes.loadDataSet()
生成一个词典向量,包含文中出现的所有单词组成
#>> myVocablist = bayes.createVocabList(listOfPosts)
#>> myVocablist
[‘has’, ‘my’, ‘is’, ‘please’, ‘cute’, ‘posting’, ‘ate’, ‘licks’, ‘problems’, ‘park’, ‘him’, ‘so’, ‘dalmation’, ‘garbage’, ‘dog’, ‘not’, ‘buying’, ‘take’, ‘flea’, ‘mr’, ‘to’, ‘food’, ‘quit’, ‘worthless’, ‘I’, ‘maybe’, ‘stop’, ‘stupid’, ‘steak’, ‘love’, ‘help’, ‘how’]
再看把一个文章转化词向量,postingList的第一行[‘my’, ‘dog’, ‘has’, ‘flea’, ‘problems’, ‘help’, ‘please’]对应的词向量
#>> bayes.setOfWords2Vec(myVocablist, listOfPosts[0])
[1, 1, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0]
4.2训练算法
朴素贝叶斯分类器训练函数
def trainNB0(trainMatrix,trainCategory):
numTrainDocs = len(trainMatrix)
numWords = len(trainMatrix[0])
pAbusive = sum(trainCategory)/float(numTrainDocs)
#print(sum(trainCategory), numTrainDocs)
p0Num = ones(numWords); p1Num = ones(numWords) #change to ones()
p0Denom = 2.0; p1Denom = 2.0 #change to 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) #change to log()
p0Vect = log(p0Num/p0Denom) #change to log()
return p0Vect,p1Vect,pAbusive
开始训练,
生成训练向量集
#>> trainMat = []
#>> for postinDoc in listOfPosts:
… trainMat.append(bayes.setOfWords2Vec(myVocablist, postinDoc))
…
#>> p0V,p1V,pAb = bayes.trainNB0(trainMat, listClasses)
4.3测试算法