目录
正文
---------------------------------------------------------------------------------------
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
---------------------------------------------------------------------------------------
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:
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。
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。
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
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:
2.3 测试算法
分类函数:
测试:
一般流程:
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。
1 def textParse(bigString):#2 '''3 文本切分4 输入文本字符串,输出词表5 '''6 import re7 listOfTokens = re.split(r'\W*', bigString)8 return [tok.lower() for tok in listOfTokens if len(tok) > 2] 9
1 def spamTest(): 2 ''' 3 垃圾邮件测试函数 4 ''' 5 docList=[]; classList = []; fullText =[] 6 for i in range(1,26): 7 #读取垃圾邮件 8 wordList = textParse(open('email/spam/%d.txt' % i,'r',encoding= 'utf-8').read()) 9 docList.append(wordList)10 fullText.extend(wordList)11 #设置垃圾邮件类标签为112 classList.append(1) 13 wordList = textParse(open('email/ham/%d.txt' % i,'r',encoding= 'utf-8').read())14 docList.append(wordList)15 fullText.extend(wordList)16 classList.append(0)17 vocabList = createVocabList(docList)#生成次表库18 trainingSet = list(range(50))19 testSet=[] #20 #随机选10组做测试集21 for i in range(10):22 randIndex = int(random.uniform(0,len(trainingSet)))23 testSet.append(trainingSet[randIndex])24 del(trainingSet[randIndex]) 25 trainMat=[]; trainClasses = []26 for docIndex in trainingSet:#生成训练矩阵及标签27 trainMat.append(bagOfWords2VecMN(vocabList, docList[docIndex]))28 trainClasses.append(classList[docIndex])29 p0V,p1V,pSpam = trainNB0(array(trainMat),array(trainClasses))30 errorCount = 031 #测试并计算错误率32 for docIndex in testSet:33 wordVector = bagOfWords2VecMN(vocabList, docList[docIndex])34 if classifyNB(array(wordVector),p0V,p1V,pSpam) != classList[docIndex]:35 errorCount += 136 print("classification error",docList[docIndex])37 print('the error rate is: ',float(errorCount)/len(testSet))38 #return vocabList,fullText
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 。
联系客服