机器学习实战笔记(Python实现)-03-朴素贝叶斯

---------------------------------------------------------------------------------------

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

 from numpy import *

 def loadDataSet():
     '''
     postingList: 进行词条切分后的文档集合
     classVec:类别标签
     '''
     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代表侮辱性文字，0代表正常言论
     return postingList,classVec

 def createVocabList(dataSet):
     vocabSet = set([])#使用set创建不重复词表库
     for document in dataSet:
         vocabSet = vocabSet | set(document) #创建两个集合的并集
     return list(vocabSet)

 def setOfWords2Vec(vocabList, inputSet):
     returnVec = [0]*len(vocabList)#创建一个所包含元素都为0的向量
     #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
     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
 '''
 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)。
 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,
 这种方法被称为词袋模型(bag-of-words model)。
 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。
 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
 '''
 def bagOfWords2VecMN(vocabList, inputSet):
     returnVec = [0]*len(vocabList)
     for word in inputSet:
         if word in vocabList:
             returnVec[vocabList.index(word)] += 1
     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：

 def trainNB0(trainMatrix,trainCategory):
     '''
     朴素贝叶斯分类器训练函数(此处仅处理两类分类问题)
     trainMatrix:文档矩阵
     trainCategory:每篇文档类别标签
     '''
     numTrainDocs = len(trainMatrix)
     numWords = len(trainMatrix[0])
     pAbusive = sum(trainCategory)/float(numTrainDocs)
     #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
     p0Num = ones(numWords); p1Num = ones(numWords)#
     p0Denom = 2.0; p1Denom = 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])
     #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
     p1Vect = log(p1Num/p1Denom)#change to log()
     p0Vect = log(p0Num/p0Denom)#change to log()
     return p0Vect,p1Vect,pAbusive

2.3 测试算法

分类函数：

 def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
     '''
     分类函数
     vec2Classify:要分类的向量
     p0Vec, p1Vec, pClass1:分别对应trainNB0计算得到的3个概率
     '''
     p1 = sum(vec2Classify * p1Vec) + log(pClass1)
     p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1)
     if p1 > p0:
         return 1
     else:
         return 0

测试：

 def testingNB():
     listOPosts,listClasses = loadDataSet()
     myVocabList = createVocabList(listOPosts)
     trainMat=[]
     for postinDoc in listOPosts:
         trainMat.append(setOfWords2Vec(myVocabList, postinDoc))
     #训练模型，注意此处使用array
     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))

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。

 def textParse(bigString):#
     '''
     文本切分
     输入文本字符串，输出词表
     '''
     import re
     listOfTokens = re.split(r'\W*', bigString)
     return [tok.lower() for tok in listOfTokens if len(tok) > 2]
     

3.2 使用朴素贝叶斯进行垃圾邮件分类

 def spamTest():
     '''
     垃圾邮件测试函数
     '''
     docList=[]; classList = []; fullText =[]
     for i in range(1,26):
         #读取垃圾邮件
         wordList = textParse(open('email/spam/%d.txt' % i,'r',encoding= 'utf-8').read())
         docList.append(wordList)
         fullText.extend(wordList)
         #设置垃圾邮件类标签为1
         classList.append(1)
         wordList = textParse(open('email/ham/%d.txt' % i,'r',encoding= 'utf-8').read())
         docList.append(wordList)
         fullText.extend(wordList)
         classList.append(0)
     vocabList = createVocabList(docList)#生成次表库
     trainingSet = list(range(50))
     testSet=[]           #
     #随机选10组做测试集
     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:#生成训练矩阵及标签
         trainMat.append(bagOfWords2VecMN(vocabList, docList[docIndex]))
         trainClasses.append(classList[docIndex])
     p0V,p1V,pSpam = trainNB0(array(trainMat),array(trainClasses))
     errorCount = 0
     #测试并计算错误率
     for docIndex in testSet:
         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

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

 '''
 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
 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
 '''
 def localWords(feed1,feed0):
     import feedparser
     docList=[]; classList = []; fullText =[]
     minLen = min(len(feed1['entries']),len(feed0['entries']))
     for i in range(minLen):
         wordList = textParse(feed1['entries'][i]['summary'])
         docList.append(wordList)
         fullText.extend(wordList)
         classList.append(1) #NY is class 1
         wordList = textParse(feed0['entries'][i]['summary'])
         docList.append(wordList)
         fullText.extend(wordList)
         classList.append(0)
     vocabList = createVocabList(docList)#create vocabulary
     top30Words = calcMostFreq(vocabList,fullText)   #remove top 30 words
     for pairW in top30Words:
         if pairW[0] in vocabList: vocabList.remove(pairW[0])
     trainingSet = list(range(2*minLen)); 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('the error rate is: ',float(errorCount)/len(testSet))
     return vocabList,p0V,p1V

 def calcMostFreq(vocabList,fullText):
     '''
     返回前30个高频词
     '''
     import operator
     freqDict = {}
     for token in vocabList:
         freqDict[token]=fullText.count(token)
     sortedFreq = sorted(freqDict.items(), key=operator.itemgetter(1), reverse=True)
     return sortedFreq[:30]

 if __name__== "__main__":
     #导入RSS数据源
     import operator
     ny=feedparser.parse('http://newyork.craigslist.org/stp/index.rss')
     sf=feedparser.parse('http://sfbay.craigslist.org/stp/index.rss')
     localWords(ny,sf)