---------------------------------------------------------------------------------------
本系列文章为《机器学习实战》学习笔记，内容整理自书本，网络以及自己的理解，如有错误欢迎指正。
源码在Python3.5上测试均通过，代码及数据 --> https://github.com/Wellat/MLaction
---------------------------------------------------------------------------------------
1、算法概述
1.1 朴素贝叶斯
朴素贝叶斯是使用概率论来分类的算法。其中朴素：各特征条件独立；贝叶斯：根据贝叶斯定理。
根据贝叶斯定理，对一个分类问题，给定样本特征x，样本属于类别y的概率是：
-------（1）
在这里，x 是一个特征向量，设 x 维度为 M。因为朴素的假设，即特征条件独立，根据全概率公式展开，上式可以表达为：
这里，只要分别估计出，特征 Χi 在每一类的条件概率就可以了。类别 y 的先验概率可以通过训练集算出，同样通过训练集上的统计，可以得出对应每一类上的，条件独立的特征对应的条件概率向量。
1.2 算法特点
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。
适用数据类型：标称型数据。
2、使用Python进行文本分类
要从文本中获取特征，需要先拆分文本。可以把词条想象为单词，也可以使用非单词词条，如URL、IP地址或者任意其他字符串。然后将每一个文本片段表示为一个词条向量，其中值为1表示词条出现在文档中，0表示词条未出现。
2.1 准备数据：从文本中构建词向量
1 from numpy import *
2
3 def loadDataSet():
4 ‘‘‘
5 postingList: 进行词条切分后的文档集合
6 classVec:类别标签
7 ‘‘‘
8 postingList=[[‘my‘, ‘dog‘, ‘has‘, ‘flea‘, ‘problems‘, ‘help‘, ‘please‘],
9 [‘maybe‘, ‘not‘, ‘take‘, ‘him‘, ‘to‘, ‘dog‘, ‘park‘, ‘stupid‘],
10 [‘my‘, ‘dalmation‘, ‘is‘, ‘so‘, ‘cute‘, ‘I‘, ‘love‘, ‘him‘],
11 [‘stop‘, ‘posting‘, ‘stupid‘, ‘worthless‘, ‘garbage‘],
12 [‘mr‘, ‘licks‘, ‘ate‘, ‘my‘, ‘steak‘, ‘how‘, ‘to‘, ‘stop‘, ‘him‘],
13 [‘quit‘, ‘buying‘, ‘worthless‘, ‘dog‘, ‘food‘, ‘stupid‘]]
14 classVec = [0,1,0,1,0,1] #1代表侮辱性文字，0代表正常言论
15 return postingList,classVec
16
17 def createVocabList(dataSet):
18 vocabSet = set([])#使用set创建不重复词表库
19 for document in dataSet:
20 vocabSet = vocabSet | set(document) #创建两个集合的并集
21 return list(vocabSet)
22
23 def setOfWords2Vec(vocabList, inputSet):
24 returnVec = [0]*len(vocabList)#创建一个所包含元素都为0的向量
25 #遍历文档中的所有单词，如果出现了词汇表中的单词，则将输出的文档向量中的对应值设为1
26 for word in inputSet:
27 if word in vocabList:
28 returnVec[vocabList.index(word)] = 1
29 else: print("the word: %s is not in my Vocabulary!" % word)
30 return returnVec
31 ‘‘‘
32 我们将每个词的出现与否作为一个特征，这可以被描述为词集模型(set-of-words model)。
33 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,
34 这种方法被称为词袋模型(bag-of-words model)。
35 在词袋中，每个单词可以出现多次，而在词集中，每个词只能出现一次。
36 为适应词袋模型，需要对函数setOfWords2Vec稍加修改，修改后的函数称为bagOfWords2VecMN
37 ‘‘‘
38 def bagOfWords2VecMN(vocabList, inputSet):
39 returnVec = [0]*len(vocabList)
40 for word in inputSet:
41 if word in vocabList:
42 returnVec[vocabList.index(word)] += 1
43 return returnVec
2.2 训练算法：从词向量计算概率
计算每个类别的条件概率，伪代码：
1 def trainNB0(trainMatrix,trainCategory): 2 ‘‘‘ 3 朴素贝叶斯分类器训练函数(此处仅处理两类分类问题) 4 trainMatrix:文档矩阵 5 trainCategory:每篇文档类别标签 6 ‘‘‘ 7 numTrainDocs = len(trainMatrix) 8 numWords = len(trainMatrix[0]) 9 pAbusive = sum(trainCategory)/float(numTrainDocs) 10 #初始化所有词出现数为1，并将分母初始化为2，避免某一个概率值为0 11 p0Num = ones(numWords); p1Num = ones(numWords)# 12 p0Denom = 2.0; p1Denom = 2.0 # 13 for i in range(numTrainDocs): 14 if trainCategory[i] == 1: 15 p1Num += trainMatrix[i] 16 p1Denom += sum(trainMatrix[i]) 17 else: 18 p0Num += trainMatrix[i] 19 p0Denom += sum(trainMatrix[i]) 20 #将结果取自然对数，避免下溢出，即太多很小的数相乘造成的影响 21 p1Vect = log(p1Num/p1Denom)#change to log() 22 p0Vect = log(p0Num/p0Denom)#change to log() 23 return p0Vect,p1Vect,pAbusive
2.3 测试算法
分类函数：
1 def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1): 2 ‘‘‘ 3 分类函数 4 vec2Classify:要分类的向量 5 p0Vec, p1Vec, pClass1:分别对应trainNB0计算得到的3个概率 6 ‘‘‘ 7 p1 = sum(vec2Classify * p1Vec) + log(pClass1) 8 p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1) 9 if p1 > p0: 10 return 1 11 else: 12 return 0
测试：
1 def testingNB(): 2 listOPosts,listClasses = loadDataSet() 3 myVocabList = createVocabList(listOPosts) 4 trainMat=[] 5 for postinDoc in listOPosts: 6 trainMat.append(setOfWords2Vec(myVocabList, postinDoc)) 7 #训练模型，注意此处使用array 8 p0V,p1V,pAb = trainNB0(array(trainMat),array(listClasses)) 9 testEntry = [‘love‘, ‘my‘, ‘dalmation‘] 10 thisDoc = array(setOfWords2Vec(myVocabList, testEntry)) 11 print(testEntry,‘classified as: ‘,classifyNB(thisDoc,p0V,p1V,pAb)) 12 testEntry = [‘stupid‘, ‘garbage‘] 13 thisDoc = array(setOfWords2Vec(myVocabList, testEntry)) 14 print(testEntry,‘classified as: ‘,classifyNB(thisDoc,p0V,p1V,pAb))
3、实例：使用朴素贝叶斯过滤垃圾邮件
一般流程：
3.1 切分文本
将长字符串切分成词表，包括将大写字符转换成小写，并过滤字符长度小于3的字符。
1 def textParse(bigString):# 2 ‘‘‘ 3 文本切分 4 输入文本字符串，输出词表 5 ‘‘‘ 6 import re 7 listOfTokens = re.split(r‘\W*‘, bigString) 8 return [tok.lower() for tok in listOfTokens if len(tok) > 2] 9
3.2 使用朴素贝叶斯进行垃圾邮件分类
1 def spamTest():
2 ‘‘‘
3 垃圾邮件测试函数
4 ‘‘‘
5 docList=[]; classList = []; fullText =[]
6 for i in range(1,26):
7 #读取垃圾邮件
8 wordList = textParse(open(‘email/spam/%d.txt‘ % i,‘r‘,encoding= ‘utf-8‘).read())
9 docList.append(wordList)
10 fullText.extend(wordList)
11 #设置垃圾邮件类标签为1
12 classList.append(1)
13 wordList = textParse(open(‘email/ham/%d.txt‘ % i,‘r‘,encoding= ‘utf-8‘).read())
14 docList.append(wordList)
15 fullText.extend(wordList)
16 classList.append(0)
17 vocabList = createVocabList(docList)#生成次表库
18 trainingSet = list(range(50))
19 testSet=[] #
20 #随机选10组做测试集
21 for i in range(10):
22 randIndex = int(random.uniform(0,len(trainingSet)))
23 testSet.append(trainingSet[randIndex])
24 del(trainingSet[randIndex])
25 trainMat=[]; trainClasses = []
26 for docIndex in trainingSet:#生成训练矩阵及标签
27 trainMat.append(bagOfWords2VecMN(vocabList, docList[docIndex]))
28 trainClasses.append(classList[docIndex])
29 p0V,p1V,pSpam = trainNB0(array(trainMat),array(trainClasses))
30 errorCount = 0
31 #测试并计算错误率
32 for docIndex in testSet:
33 wordVector = bagOfWords2VecMN(vocabList, docList[docIndex])
34 if classifyNB(array(wordVector),p0V,p1V,pSpam) != classList[docIndex]:
35 errorCount += 1
36 print("classification error",docList[docIndex])
37 print(‘the error rate is: ‘,float(errorCount)/len(testSet))
38 #return vocabList,fullText
4、实例：使用朴素贝叶斯分类器从个人广告中获取区域倾向
一般流程：
在这个中，我们将分别从美国的两个城市中选取一些人，通过分析这些人发布的征婚广告信息，来比较这两个城市的人们在广告用词上是否不同 。
4.1 实现代码
1 ‘‘‘
2 函数localWords()与程序清单中的spamTest()函数几乎相同，区别在于这里访问的是
3 RSS源而不是文件。然后调用函数calcMostFreq()来获得排序最高的30个单词并随后将它们移除
4 ‘‘‘
5 def localWords(feed1,feed0):
6 import feedparser
7 docList=[]; classList = []; fullText =[]
8 minLen = min(len(feed1[‘entries‘]),len(feed0[‘entries‘]))
9 for i in range(minLen):
10 wordList = textParse(feed1[‘entries‘][i][‘summary‘])
11 docList.append(wordList)
12 fullText.extend(wordList)
13 classList.append(1) #NY is class 1
14 wordList = textParse(feed0[‘entries‘][i][‘summary‘])
15 docList.append(wordList)
16 fullText.extend(wordList)
17 classList.append(0)
18 vocabList = createVocabList(docList)#create vocabulary
19 top30Words = calcMostFreq(vocabList,fullText) #remove top 30 words
20 for pairW in top30Words:
21 if pairW[0] in vocabList: vocabList.remove(pairW[0])
22 trainingSet = list(range(2*minLen)); testSet=[] #create test set
23 for i in range(10):
24 randIndex = int(random.uniform(0,len(trainingSet)))
25 testSet.append(trainingSet[randIndex])
26 del(trainingSet[randIndex])
27 trainMat=[]; trainClasses = []
28 for docIndex in trainingSet:#train the classifier (get probs) trainNB0
29 trainMat.append(bagOfWords2VecMN(vocabList, docList[docIndex]))
30 trainClasses.append(classList[docIndex])
31 p0V,p1V,pSpam = trainNB0(array(trainMat),array(trainClasses))
32 errorCount = 0
33 for docIndex in testSet: #classify the remaining items
34 wordVector = bagOfWords2VecMN(vocabList, docList[docIndex])
35 if classifyNB(array(wordVector),p0V,p1V,pSpam) != classList[docIndex]:
36 errorCount += 1
37 print(‘the error rate is: ‘,float(errorCount)/len(testSet))
38 return vocabList,p0V,p1V
39
40 def calcMostFreq(vocabList,fullText):
41 ‘‘‘
42 返回前30个高频词
43 ‘‘‘
44 import operator
45 freqDict = {}
46 for token in vocabList:
47 freqDict[token]=fullText.count(token)
48 sortedFreq = sorted(freqDict.items(), key=operator.itemgetter(1), reverse=True)
49 return sortedFreq[:30]
50
51 if __name__== "__main__":
52 #导入RSS数据源
53 import operator
54 ny=feedparser.parse(‘http://newyork.craigslist.org/stp/index.rss‘)
55 sf=feedparser.parse(‘http://sfbay.craigslist.org/stp/index.rss‘)
56 localWords(ny,sf)
时间： 2024-10-10 14:20:14