机器学习实战1:朴素贝叶斯模型:文本分类+垃圾邮件分类

  学习了那么多机器学习模型,一切都是为了实践,动手自己写写这些模型的实现对自己很有帮助的,坚持,共勉。本文主要致力于总结贝叶斯实战中程序代码的实现(python)及朴素贝叶斯模型原理的总结。python的numpy包简化了很多计算,另外本人推荐使用pandas做数据统计。

一 引言

  让你猜测一个身高2.16的人的职业,你一般会猜测他是篮球运动员。这个原理就是朴素贝叶斯原理,因为篮球运动员大多身高很高,所以这个人具有篮球运动员的条件,则猜测他是篮球运动员。

  同理,另一个升高1.58的人,你应该不会猜他是篮球运动员。

二 理论

  条件贝叶斯公式:p(Ci | x,y)=p(x,y | Ci)*p(Ci) / p(x,y)

  计算每个类别的概率,若p(C1 | x,y) > p(~C1 | x,y), 则类别属于类C1,否则不属于类C1。

  程序中在模型训练的时候,只需要先在训练样本中计算好先验概率 p(Ci) 条件概率 p(x,y | Ci) 即可,因为p(x,y)不随Ci变化,不影响p(Ci | x,y)的最好大小。

  :条件贝叶斯是保证条件之间独立的(文档分类中是假设一个词汇出现与其他词汇是否出现无关,然而同一主题的词汇一起出现的概率很高,存在关联),所以这个假设过于简单;尽管如此,然而事实表明,朴素贝叶斯的效果还很好。

三 实战1 -文本分类(应用过滤恶意留言等)

  下面是二分类问题,文档只能属于0和1两个类别,

  1 载入数据集:6条文本及它们各自的类别,这6条文本作为训练集。

from numpy import *

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

  2 创建词汇表:利用集合结构内元素的唯一性,创建一个包含所有词汇的词表。

def createVocabList(dataSet):
    vocabSet = set([])  #create empty set
    for document in dataSet:
        vocabSet = vocabSet | set(document) #union of the two sets
    return list(vocabSet)

  3 把输入文本根据词表转化为计算机可处理的01向量形式:

  eq,测试文本1: ['love', 'my', 'dalmation']

    词汇表:['cute', 'love', 'help', 'garbage', 'quit', 'I', 'problems', 'is', 'park', 'stop', 'flea', 'dalmation', 'licks', 'food', 'not', 'him', 'buying', 'posting', 'has', 'worthless', 'ate', 'to', 'maybe', 'please', 'dog', 'how', 'stupid', 'so', 'take', 'mr', 'steak', 'my']

    向量化结果:[0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1]

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

  

  4训练模型:在训练样本中计算先验概率 p(Ci)条件概率 p(x,y | Ci),本实例有0和1两个类别,所以返回p(x,y | 0),p(x,y | 1)和p(Ci)。

  此处有两个改进的地方:

    (1)若有的类别没有出现,其概率就是0,会十分影响分类器的性能。所以采取各类别默认1次累加,总类别(两类)次数2,这样不影响相对大小。

    (2)若很小是数字相乘,则结果会更小,再四舍五入存在误差,而且会造成下溢出。采取取log,乘法变为加法,并且相对大小趋势不变。

def trainNB0(trainMatrix,trainCategory):
    numTrainDocs = len(trainMatrix)
    numWords = len(trainMatrix[0])
    pAbusive = sum(trainCategory)/float(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

  5 分类:根据计算后,哪个类别的概率大,则属于哪个类别。

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

  6 测试函数:

    加载数据集+提炼词表;

    训练模型:根据六条训练集计算先验概率和条件概率;

    测试模型:对训练两条测试文本进行分类。

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)

  缺点:词表只能记录词汇是否出现,不能体现这个词汇出现的次数。改进方法:采用词袋模型,见下面垃圾邮件分类实战。

 

四 实战2-垃圾邮件分类

  1 对邮件的文本划分成词汇,长度小于2的默认为不是词汇,过滤掉即可。返回一串小写的拆分后的邮件信息。

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] 

  2 文档词袋模型:使用数组代替集合数据结构,可以保存词汇频率信息。

def bagOfWords2VecMN(vocabList, inputSet):
    returnVec = [0]*len(vocabList)
    for word in inputSet:
        if word in vocabList:
            returnVec[vocabList.index(word)] += 1
    return returnVec

  3 输入为25封正常邮件和25封垃圾邮件。50封邮件中随机选取10封作为测试样本,剩余40封作为训练样本。

   训练模型:40封训练样本,训练出先验概率条件概率

   测试模型:遍历10个测试样本,计算垃圾邮件分类的正确率。

def spamTest():
    docList=[]; classList = []; fullText =[]
    for i in range(1,26):
        wordList = textParse(open('email/spam/%d.txt' % i).read())
        # print wordList
        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

 

五 小结

  上面我处理的样本的属性值都是分类型的,然而数值型的朴素贝叶斯能处理吗?

  1 朴素贝叶斯处理数值型数据的方法:
  (1) 区间离散化,设阈值,分段。
  (2) 高斯化:求出概率密度函数,假设变量服从正态分布,根据已有变量统计均值和方差,
    得出概率密度函数,这样就解决了计算连续值作为分类的条件概率值。
      参考:http://blog.mythsman.com/?p=2683

  2 除0问题:
    Laplace校准 所有计算均加一,总类别数目加n;

  3 下溢出:很小的值相乘,四舍五入误差
    采用log 乘法变相加;

 

  4移除停用词:也可以提高文本分类的性能

 

 

参考:书<机器学习实战> Peter

 

posted @ 2016-06-20 22:19  rongyux  阅读(21466)  评论(6编辑  收藏