朴素貝葉斯
算法優缺點
-
優點：在數據較少的情況下依然有效，可以處理多類別問題
-
缺點：對輸入數據的准備方式敏感
-
適用數據類型：標稱型數據
算法思想：
朴素貝葉斯
比如我們想判斷一個郵件是不是垃圾郵件，那么我們知道的是這個郵件中的詞的分布，那么我們還要知道：垃圾郵件中某些詞的出現是多少，就可以利用貝葉斯定理得到。
朴素貝葉斯分類器中的一個假設是：每個特征同等重要
函數
loadDataSet()
創建數據集，這里的數據集是已經拆分好的單詞組成的句子，表示的是某論壇的用戶評論，標簽1表示這個是罵人的
createVocabList(dataSet)
找出這些句子中總共有多少單詞，以確定我們詞向量的大小
setOfWords2Vec(vocabList, inputSet)
將句子根據其中的單詞轉成向量，這里用的是伯努利模型，即只考慮這個單詞是否存在
bagOfWords2VecMN(vocabList, inputSet)
這個是將句子轉成向量的另一種模型，多項式模型，考慮某個詞的出現次數
trainNB0(trainMatrix,trainCatergory)
計算P(i)和P(w[i]|C[1])和P(w[i]|C[0])，這里有兩個技巧，一個是開始的分子分母沒有全部初始化為0是為了防止其中一個的概率為0導致整體為0，另一個是后面乘用對數防止因為精度問題結果為0
classifyNB(vec2Classify, p0Vec, p1Vec, pClass1)
根據貝葉斯公式
計算這個向量屬於兩個集合中哪個的概率高
-
1 #coding=utf-8 2 from numpy import * 3 def loadDataSet(): 4 postingList=[['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'], 5 ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'], 6 ['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him'], 7 ['stop', 'posting', 'stupid', 'worthless', 'garbage'], 8 ['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'], 9 ['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']] 10 classVec = [0,1,0,1,0,1] #1 is abusive, 0 not 11 return postingList,classVec 12 13 #創建一個帶有所有單詞的列表 14 def createVocabList(dataSet): 15 vocabSet = set([]) 16 for document in dataSet: 17 vocabSet = vocabSet | set(document) 18 return list(vocabSet) 19 20 def setOfWords2Vec(vocabList, inputSet): 21 retVocabList = [0] * len(vocabList) 22 for word in inputSet: 23 if word in vocabList: 24 retVocabList[vocabList.index(word)] = 1 25 else: 26 print 'word ',word ,'not in dict' 27 return retVocabList 28 29 #另一種模型 30 def bagOfWords2VecMN(vocabList, inputSet): 31 returnVec = [0]*len(vocabList) 32 for word in inputSet: 33 if word in vocabList: 34 returnVec[vocabList.index(word)] += 1 35 return returnVec 36 37 def trainNB0(trainMatrix,trainCatergory): 38 numTrainDoc = len(trainMatrix) 39 numWords = len(trainMatrix[0]) 40 pAbusive = sum(trainCatergory)/float(numTrainDoc) 41 #防止多個概率的成績當中的一個為0 42 p0Num = ones(numWords) 43 p1Num = ones(numWords) 44 p0Denom = 2.0 45 p1Denom = 2.0 46 for i in range(numTrainDoc): 47 if trainCatergory[i] == 1: 48 p1Num +=trainMatrix[i] 49 p1Denom += sum(trainMatrix[i]) 50 else: 51 p0Num +=trainMatrix[i] 52 p0Denom += sum(trainMatrix[i]) 53 p1Vect = log(p1Num/p1Denom)#處於精度的考慮，否則很可能到限歸零 54 p0Vect = log(p0Num/p0Denom) 55 return p0Vect,p1Vect,pAbusive 56 57 def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1): 58 p1 = sum(vec2Classify * p1Vec) + log(pClass1) #element-wise mult 59 p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1) 60 if p1 > p0: 61 return 1 62 else: 63 return 0 64 65 def testingNB(): 66 listOPosts,listClasses = loadDataSet() 67 myVocabList = createVocabList(listOPosts) 68 trainMat=[] 69 for postinDoc in listOPosts: 70 trainMat.append(setOfWords2Vec(myVocabList, postinDoc)) 71 p0V,p1V,pAb = trainNB0(array(trainMat),array(listClasses)) 72 testEntry = ['love', 'my', 'dalmation'] 73 thisDoc = array(setOfWords2Vec(myVocabList, testEntry)) 74 print testEntry,'classified as: ',classifyNB(thisDoc,p0V,p1V,pAb) 75 testEntry = ['stupid', 'garbage'] 76 thisDoc = array(setOfWords2Vec(myVocabList, testEntry)) 77 print testEntry,'classified as: ',classifyNB(thisDoc,p0V,p1V,pAb) 78 79 80 def main(): 81 testingNB() 82 83 if __name__ == '__main__': 84 main()
機器學習筆記索引