Press "Enter" to skip to content

朴素贝叶斯分类与语言分类实例

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

贝叶斯

 

朴素贝叶斯的一般过程 (1) 收集数据:可以使用任何方法。本章使用RSS源。 (2) 准备数据:需要数值型或者布尔型数据。 (3) 分析数据:有大量特征时,绘制特征作用不大,此时使用直方图效果更好。 (4) 训练算法:计算不同的独立特征的条件概率。 (5) 测试算法:计算错误率。 (6) 使用算法:一个常见的朴素贝叶斯应用是文档分类。可以在任意的分类场景中使用朴 素贝叶斯分类器,不一定非要是文本

 

就拿最简答的二分类来说明,贝叶斯分类是根据计算需要判断的参数分别属于不同类别的概率,哪个的概率大就属于哪一个分类。下面来看一个简单示例:

 

在学习朴素贝叶斯分类之前,需要有一些前驱课程的学习,比如概率论与数理统计,考虑到读者的水平层次不齐,这里再介绍一下条件概率的概念,后面的分类就是基于这个来进行的。 在了解了条件概率的概念后,我们来具体看一个语言分类的实例来加深理解,并进行实现和源码讲解。

 

语言分类问题

 

在我们的网络信息交流中有各式各样的用于,你是否有注意到当你发送一些不文明用于的时候,那些不文明用词会被屏蔽掉呢?一个识别的很好的方法就是通过朴素贝叶斯来进行识别。看上面的例子里,有留言、是否属于侮辱性留言的标签,可以看到,有garbage,stupid,dog的语句中被判断为了侮辱性留言。而我们应该怎幺样进行分类呢?

 

(1) 收集数据:提供文本文件。 (2) 准备数据:将文本文件解析成词条向量。 (3) 分析数据:检查词条确保解析的正确性。 (4) 训练算法:使用我们之前建立的trainNB0()函数。 (5) 测试算法:使用classifyNB(),并且构建一个新的测试函数来计算文档集的错误率。 (6) 使用算法:构建一个完整的程序对一组文档进行分类,将错分的文档输出到屏幕上。

 

代码实现

 

==词表到向量的转换函数==

 

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

 

导入数据集postingList,和标签classVec,其中1表示侮辱性的句子,0表示非侮辱性的。

 

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

 

采用集合的性质,将出现的所有词统一到向量vocabSet里面(并运算)

 

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

 

输入inputSet作为需要判断的词向量输入,生成长度为len(vocabList)的零向量returnVec,将inpustSet中出现的单词在returnVec里面置为1,否则输出该单词不再词典中!

 

接下来,我们根据下面的计算方法来实现训练函数 ==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)
    p0Num = np.ones(numWords); p1Num = np.ones(numWords)      #change to np.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 = np.log(p1Num/p1Denom)          #change to np.log()
    p0Vect = np.log(p0Num/p0Denom)          #change to np.log()
    return p0Vect, p1Vect, pAbusive

 

输入为trainMatrix即需要判断的词矩阵,和trainVategory(指我们之前的classVec)。numTrainDocs等于文档的个数,numWords为词的个数;之后计算每个类表中的文档属于侮辱类别的概率,并将它赋值为pAbusive,初始化概率p0Num,p1Num,p0Denom,p1Denom。接下来通过for循环遍历所有文档,并分为侮辱情况和非侮辱情况进行讨论。最后计算出每个单词在总数中出现的概率并返回。

 

==朴素贝叶斯分类函数==

 

def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
    p1 = sum(vec2Classify * p1Vec) + np.log(pClass1)    #element-wise mult
    p0 = sum(vec2Classify * p0Vec) + np.log(1.0 - pClass1)
    if p1 > p0:
        return 1
    else:
        return 0

 

根据条件概率公式进行句子标签的决定,如果p1>p0,即侮辱性的概率大于非侮辱性的概率,我们把标签置为1,认为它是具有侮辱性的语言,反之亦然。

 

def testingNB():
    listOPosts, listClasses = loadDataSet()
    myVocabList = createVocabList(listOPosts)
    trainMat = []
    for postinDoc in listOPosts:
        trainMat.append(setOfWords2Vec(myVocabList, postinDoc))
    p0V, p1V, pAb = trainNB0(np.array(trainMat), np.array(listClasses))
    testEntry = ['love', 'my', 'dalmation']
    thisDoc = np.array(setOfWords2Vec(myVocabList, testEntry))
    print(testEntry, 'classified as: ', classifyNB(thisDoc, p0V, p1V, pAb))
    testEntry = ['stupid', 'garbage']
    thisDoc = np.array(setOfWords2Vec(myVocabList, testEntry))
    print(testEntry, 'classified as: ', classifyNB(thisDoc, p0V, p1V, pAb))

 

将我们将要进行判断的语句进行测试,下面是我们进行测试后结果的截图

 

代码和数据集笔者放在了这个链接里,需要的读者可以自行进行下载代码及数据集

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。