1.1、貝葉斯定理
貝葉斯定理是關於隨機事件A和B的條件概率的一則定理。
其中P(A|B)是在B發生的情況下A發生的可能性。
在貝葉斯定理中,每個名詞都有約定俗成的名稱:
- P(A|B)是已知B發生後A的條件概率,也由於得自B的取值而被稱作A的後驗概率。
- P(B|A)是已知A發生後B的條件概率,也由於得自A的取值而被稱作B的後驗概率。
- P(A)是A的先驗概率或(或邊緣概率)。之所以稱爲"先驗"是因爲它不考慮任何B方面的因素。
- P(B)是B的先驗概率或邊緣概率。
按這些術語,貝葉斯定理可表述爲:後驗概率 = (相似度*先驗概率)/標準化常量。也就是說,後驗概率與先驗概率和相似度的
乘積成正比。另外,比例P(B|A)/P(B)也有時被稱作標準相似度(standardised likelihood),貝葉斯定理可表述爲:
- 後驗概率 = 標準相似度*先驗概率
1.2、分類問題
分類是指識別出樣本所屬的類別。識別前是否需要進行訓練,可分爲有監督分類和無監督分類。有監督分類(supervised classification):
根據已知訓練區提供的樣本,通過計算選擇特徵參數,建立判別函數以對樣本進行的分類。無監督分類(unsupervised classification):指人們
事先對分類過程不施加任何的先驗知識,而僅憑數據,即自然聚類的特性,進行“盲目”的分類;其分類的結果只是對不同類別達到了區分,但
並不能確定類別的屬性。
1.3、樸素貝葉斯分類器
分類是把一個事物分到某個類別中。一個事物具有很多屬性,把它的衆多屬性看作一個向量,即x=(x1,x2,x3,…,xn),用x這個向量
來代表這個事物,x的集合記爲X,稱爲屬性集。類別也有很多種,用集合C={c1,c2,…cm}表示。一般X和C的關係是不確定的,可以將
X和C看作是隨機變量,P(C|X)稱爲C的後驗概率,與之相對的,P(C)稱爲C的先驗概率。
根據貝葉斯公式,後驗概率P(C|X)=P(X|C)P(C)/P(X),但在比較不同C值的後驗概率時,分母P(X)總是常數,忽略掉,後驗概率
P(C|X)=P(X|C)P(C),先驗概率P(C)可以通過計算訓練集中屬於每一個類的訓練樣本所佔的比例,容易估計,對類條件概率P(X|C)的估
計,這裏我只說樸素貝葉斯分類器方法,因爲樸素貝葉斯假設事物屬性之間相互條件獨立,P(X|C)=∏P(xi|ci)。
2.1、使用樸素貝葉斯進行文檔分類
機器學習的一個重要過程就是文檔的自動分類。在文檔分類中,整個文檔(如一封電子郵件)是實例,而電子郵件中的某些元
素構成特徵。雖然電子郵件是一種不會增加的文本,但同樣也可以對新聞報導、用戶留言等其他任意文本進行分類。觀察文檔中出
現的詞,並把每個詞的出現作爲一個特徵,這樣得到的特徵數目就會跟詞彙表中的詞一樣多。
樸素貝葉斯的一般過程:
- 收集數據:可以用任何方法
- 準備數據
- 分析數據:有大量特徵時,繪製特徵作用不大,此時用直方圖效果更好。
- 訓練算法:計算不同的獨立特徵的條件概率。
- 測試算法:計算錯誤率。
- 使用算法:一個常見的樸素貝葉斯應用是文檔分類。可以在任意的分類場景中使用樸素貝葉斯分類器,不一定是文本。
def createVocabList(dataSet):
vocabSet = set([]) #create empty set
for document in dataSet:
vocabSet = vocabSet | set(document) #union of the two sets
return list(vocabSet)
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
2.2.2、訓練算法
def trainNB0(trainMatrix,trainCategory):
numTrainDocs = len(trainMatrix)
numWords = len(trainMatrix[0])
pAbusive = sum(trainCategory)/float(numTrainDocs)
p0Num = zeros(numWords); p1Num = zeros(numWords)
#p0Num = ones(numWords); p1Num = ones(numWords) #change to ones()
p0Denom = 0.0; p1Denom = 0.0
#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 = p1Num/p1Denom
p0Vect = p0Num/p0Denom
'''
p1Vect = log(p1Num/p1Denom) #change to log()
p0Vect = log(p0Num/p0Denom) #change to log()
'''
return p0Vect,p1Vect,pAbusive
#根據p1與p0概率的大小關係將文本分類
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
p1 = sum(vec2Classify * p1Vec) + log(pClass1) #element-wise mult
p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1)
if p1 > p0:
return 1
else:
return 0
# 將分類器改爲詞袋模型,即單詞表中出現該詞,則將對應向量元素數值+1。
def bagOfWords2VecMN(vocabList, inputSet):
returnVec = [0]*len(vocabList)
for word in inputSet:
if word in vocabList:
returnVec[vocabList.index(word)] += 1
return returnVec
#一個測試函數,可以修改測試詞組
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)
#切分郵件文本,使用正則表達式,去掉符合、數字,替換大寫字母爲小寫,將文本處理爲一個單詞表。
def textParse(bigString): #input is big string, #output is word list
import re
listOfTokens = re.split(r'\W*', bigString)
return [tok.lower() for tok in listOfTokens if len(tok) > 2]
#交叉驗證,將兩個文件夾中的50條文本全部讀入並處理爲單詞表,隨機選擇10條文本,剩下40條作爲測試集
def spamTest():
docList=[]; classList = []; fullText =[]
for i in range(1,26):
wordList = textParse(open('email/spam/%d.txt' % i).read())
docList.append(wordList)
fullText.extend(wordList)
classList.append(1)
wordList = textParse(open('email/ham/%d.txt' % i).read())
docList.append(wordList)
fullText.extend(wordList)
classList.append(0)
vocabList = createVocabList(docList)#create vocabulary
trainingSet = range(50); testSet=[] #create test set
for i in range(10):
randIndex = int(random.uniform(0,len(trainingSet)))
testSet.append(trainingSet[randIndex])
del(trainingSet[randIndex])
trainMat=[]; trainClasses = []
for docIndex in trainingSet:#train the classifier (get probs) trainNB0
trainMat.append(bagOfWords2VecMN(vocabList, docList[docIndex]))
trainClasses.append(classList[docIndex])
p0V,p1V,pSpam = trainNB0(array(trainMat),array(trainClasses))
errorCount = 0
for docIndex in testSet: #classify the remaining items
wordVector = bagOfWords2VecMN(vocabList, docList[docIndex])
if classifyNB(array(wordVector),p0V,p1V,pSpam) != classList[docIndex]:
errorCount += 1
print "classification error",docList[docIndex]
print 'the error rate is: ',float(errorCount)/len(testSet)
#return vocabList,fullText