机器学习实战：基于概率论的分类方法：朴素贝叶斯

你的名字 2021-11-10 10:38 283阅读 0赞

朴素贝叶斯：

优点：在数据较少的情况下仍然有效，可以处理多类别问题。

缺点：对于输入数据的准备方式较为敏感。适用于标称型数据。

贝叶斯决策理论的核心思想：选择具有最高概率的决策。

实现内容：以在线社区的留言板为例，为了不影响社区的发展，我们要屏蔽侮辱性的言论，所以要构建 一个快速过滤器，如果某条留言使用了负面或者侮辱性的语言，那么就改将该留言标识为内容不当。

对此问题建立两个类别：侮辱类和非侮辱类，使用1和0分别表示。

接下来首先给出将文本转化为数字向量的过程，然后介绍如何基于这些向量来计算条件概率，并在此基础上构建分类器。

1. 准备数据，从文本中构建向量

1 def load_data_set():
     2     """
     3     创建模拟的数据集
     4     :return: 单词列表，所属类别
     5     """
     6     posting_list=[
     7         ['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'],
     8         ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'],
     9         ['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him'],
    10         ['stop', 'posting', 'stupid', 'worthless', 'gar e'],
    11         ['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'],
    12         ['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']]
    13     #1 表示侮辱性的文字， 0代表非侮辱性文字
    14     class_vec=[0,1,0,1,0,1]
    15     return posting_list,class_vec

2. 向量转化函数（先获取无重读的词汇表，然后进行向量转化）

1 #获得词汇表,不含重复元素的单词列表
     2 def create_vocab_list(data_set):
     3     #创建一个空的去重集合
     4     vocab_set=set()
     5     for item in data_set:
     6         # 求两个集合的并集
     7         vocab_set=vocab_set | set(item)
     8     return list(vocab_set)
     9 
    10 def set_of_words2vec(vocab_list,input_set):
    11     """
    12     遍历查看该单词是否出现，出现该单词则该单词置为1
    13     :param vocab_list: 所有单词集合列表
    14     :param input_set: 输入的数据集
    15     :return: 数字向量，0表示存在该单词，1表示不存在该单词
    16     """
    17     #创建一个和词汇表等长的向量，并将其元素都设置为0
    18     result=[0]*len(vocab_list)
    19     # 遍历文档中的所有单词，如果出现了词汇表中的单词，则将输出文档向量中的对应值设为1
    20     for word in input_set:
    21         if word in vocab_list:
    22             result[vocab_list.index(word)]=1
    23         else:
    24             pass
    25     return result

3. 训练贝叶斯网络

1 def train_naive_bayes(train_mat,train_category):
     2     """
     3     朴素贝叶斯网络训练
     4     :param train_mat:是数据向量
     5     :param trian_category: 对应的类别
     6     :return:
     7     """
     8     trian_doc_num=len(train_mat)
     9     words_num=len(train_mat[0])
    10     #侮辱性文件出现的概率=文档类别是1的个数/总文档数
    11     pos_abusive=np.sum(train_category)/trian_doc_num
    12     # 如果其中一个概率为0，最后的乘积也是0，为降低这种影响，可以将所有词的出现数初始化为1，并将分母初始化为2
    13     p0num=np.ones(words_num)
    14     p1num=np.ones(words_num)
    15     p0num_all=2.0
    16     p1num_all=2.0
    17 
    18     for i in range(trian_doc_num):
    19         #遍历所有文件，如果是侮辱性文件，就计算词侮辱性文件中出现的侮辱性单词的个数
    20         # 在for循环中，要遍历训练集中所有文档，一旦某个词语（是侮辱性的1）在某一文档上出现，则对应该词的位置上
    21         #个数就加1，p0num和p1num是个特征长度的向量。train_mat[i]加到这个向量上，那么相应的特征词就会有加1。
    22         # 而且在所有文档中，该文档的总词数也相加。sum(train_mat[i])文档元素的个数。
    23         if train_category[i]==1:
    24             p1num+=train_mat[i]
    25             p1num_all+=np.sum(train_mat[i])
    26         else:
    27             p0num+=train_mat[i]
    28             p0num_all+=np.sum(train_mat[i])
    29     # 取log函数，得到的是向量中每个词的概率（相应位置词的个数除于总词数）
    30     p1Vect=np.log(p1num/p1num_all)
    31     p0Vect=np.log(p0num/p0num_all)
    32     return p0Vect,p1Vect,pos_abusive

4. 朴素贝叶斯分类函数

1 def classify_naive_bayes(vec2classify,p0vec,p1vec,p_class1):
     2     """
     3     使用算法：
     4         # 将乘法转换为加法
     5         乘法：P(C|F1F2...Fn) = P(F1F2...Fn|C)P(C)/P(F1F2...Fn)
     6         加法：P(F1|C)*P(F2|C)....P(Fn|C)P(C) -> log(P(F1|C))+log(P(F2|C))+....+log(P(Fn|C))+log(P(C))
     7     :param vec2classify: 待测数据[0,1,1,1,1...]，即要分类的向量
     8     :param p0vec: 类别0，即正常文档的[log(P(F1|C0)),log(P(F2|C0)),log(P(F3|C0)),log(P(F4|C0)),log(P(F5|C0))....]列表
     9     :param p1vec: 类别1，即侮辱性文档的[log(P(F1|C1)),log(P(F2|C1)),log(P(F3|C1)),log(P(F4|C1)),log(P(F5|C1))....]列表
    10     :param p_class1: 类别1，侮辱性文件的出现概率
    11     :return: 类别1 or 0
    12     """
    13     p1=np.sum(vec2classify * p1vec) + np.log(p_class1)
    14     p0=np.sum(vec2classify * p0vec) + np.log(1-p_class1)
    15     if p1>p0:
    16         return 1
    17     else:
    18         return 0

5. 测试分类效果

1 def testing_naive_bayes():
     2     # 1. 加载数据集
     3     list_post,list_classes=load_data_set()
     4     #2. 创建单词向量
     5     vocab_list=create_vocab_list(list_post)
     6     #3.计算单词是否出现并创建数据矩阵
     7     train_mat=[]
     8     for post_in in list_post:
     9         train_mat.append(set_of_words2vec(vocab_list,post_in))
    10     #4 训练数据
    11     p0v,p1v,p_abusive=train_naive_bayes(np.array(train_mat),np.array(list_classes))
    12     #5 测试数据
    13     test_one=['love','my','dalmation']
    14     test_one_doc=np.array(set_of_words2vec(vocab_list,test_one))
    15     print('the result is:{}'.format(classify_naive_bayes(test_one_doc,p0v,p1v,p_abusive)))
    16 
    17 if __name__=="__main__":
    18     testing_naive_bayes()

该项目代码github：[https://github.com/CynthiaWendy/Machine-Learning-in-Action-NaiveBayes][https_github.com_CynthiaWendy_Machine-Learning-in-Action-NaiveBayes]

转载于:https://www.cnblogs.com/CynthiaWendy/p/11214283.html

[https_github.com_CynthiaWendy_Machine-Learning-in-Action-NaiveBayes]: https://github.com/CynthiaWendy/Machine-Learning-in-Action-NaiveBayes