机器学习实战（Machine Learning in Action）学习笔记————04.朴素贝叶斯分类（bayes）
机器学习实战（Machine Learning in Action）学习笔记————04.朴素贝叶斯分类（bayes）
关键字：朴素贝叶斯、python、源码解析
作者：米仓山下
时间：2018-10-25
机器学习实战（Machine Learning in Action,@author: Peter Harrington）
源码下载地址：https://www.manning.com/books/machine-learning-in-action
git@github.com:pbharrin/machinelearninginaction.git
*************************************************************
一、朴树贝叶斯分类（bayes）
#朴素贝叶斯实现文本分类原理：
bayes公式：P(ci|w)=P(w|ci)P(ci)/p(w)
首先计算侮辱性言论和非侮辱性言论文档出现的概率P(ci)即P(1)、P(0)的概率；接着计算P(w|ci)，假设词的出现相互独立（也是朴素贝叶斯“朴素”的含义），p(w0,w1,…wN|c1)=p(w0|c1)p(w1|c1)…p(wN|c1)，然后利用公式计算在该词向量下属于不同类别概率，比较返回概率最大的类别
训练：P(w|ci)——分类ci下词向量w的条件概率，P(w|ci)=p(w0,w1,…wN|c1)=p(w0|c1)p(w1|c1)…p(wN|c1)；P(ci)——分类ci出现的概率；p(w)——词向量w出现的概率（每个词出现的概率之积，是一个定值？）求解：P(ci|w)——词向量w下分类为ci的条件概率
测试：利用公式计算在该词向量下属于不同类别概率，比较返回概率最大的类别
--------------------------------------------------------------
#朴素贝叶斯实现文本分类，训练函数
#input：trainMatrix——训练样本（词集模型，词出现与否分别为1和0），trainCategory——类别向量
#output：p0Vect——[2],p1Vect——[1],pAbusive——样本为侮辱性P(1)的概率
def trainNB0(trainMatrix,trainCategory): numTrainDocs = len(trainMatrix) #训练样本数目 numWords = len(trainMatrix[0]) #特征个数（词汇表大小） pAbusive = sum(trainCategory)/float(numTrainDocs) #样本为侮辱性P(1)的概率，即P(ci) p0Num = ones(numWords); p1Num = ones(numWords) #初始化概率，[注1] p0Denom = 2.0; p1Denom = 2.0 for i in range(numTrainDocs): #遍历样本 if trainCategory[i] == 1: #侮辱性样本 p1Num += trainMatrix[i] #侮辱性词向量之和 p1Denom += sum(trainMatrix[i]) #侮辱性样本中，出现的词汇总数 else: #非侮辱性样本 p0Num += trainMatrix[i] #向量之和 p0Denom += sum(trainMatrix[i])#非侮辱性样本，出现的词汇总数 p1Vect = log(p1Num/p1Denom) #[1]侮辱性样本中，词汇表每个词汇出现概率，即P(w|ci)，[注1] p0Vect = log(p0Num/p0Denom) #[2]非侮辱性样本中，词汇表每个词汇出现概率，同为P(w|ci) return p0Vect,p1Vect,pAbusive
#注：利用贝叶斯分类器对文档进行分类时，要计算多个概率的乘积以获取文档属于某个类别的概率（p(w0|c=1)p(w1|c=1)p(w2|c=1)）,若其中一个概率为零则整体为零，为避免影响，将p0Num，p1Num初始化为1，将分母p0Denom初始化为2；另外为避免太多小数相乘造成数据下溢，因此对其取对数（f(x)与ln(f(x))具有相同的单调性），并有ln(a*b)=ln(a)+n(b),将其后的乘积运算转换为加和
#朴素贝叶斯分类测试函数
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1): #计算属于不同类别的概率并进行比较 p1 = sum(vec2Classify * p1Vec) + log(pClass1) #计算概率p(w0|c1)p(w1|c1)…p(wN|c1)p(c1)， p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1) #因为进行了对数运算，乘积运算转换为加和 if p1 > p0: return 1 else: return 0
-------------------------------------------------------------
测试：
>>> import bayes >>> from numpy import * >>> listOPosts,listClasses=bayes.loadDataSet() #读取训练数据集及类别标签 >>> listOPosts [['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']] >>> listClasses [0, 1, 0, 1, 0, 1] >>> myVocalList=bayes.createVocabList(listOPosts) #创建词汇表 >>> myVocalList ['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'] >>> trainMat=[] >>> for postindoc in listOPosts: #将训练数据集转换为词向量形式 ... trainMat.append(bayes.setOfWords2Vec(myVocalList,postindoc)) ... >>> trainMat [[0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 1], [0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 1, 1, 0, 1, 0, 1, 0, 1, 0, 0, 0], [1, 1, 0, 0, 0, 1, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1], [0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 1, 1, 0, 0, 0, 1, 0, 0, 0, 1, 1, 1], [0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0]] >>> p0v,p1v,pab=bayes.trainNB0(trainMat,listClasses)#计算条件概率及侮辱性文档出现的概率p(1) >>> p0v,p1v,pab (array([-2.56494936, -2.56494936, -2.56494936, -3.25809654, -3.25809654, -2.56494936, -2.56494936, -2.56494936, -3.25809654, -2.56494936, -2.56494936, -2.56494936, -2.56494936, -3.25809654, -3.25809654, -2.15948425, -3.25809654, -3.25809654, -2.56494936, -3.25809654, -2.56494936, -2.56494936, -3.25809654, -2.56494936, -2.56494936, -2.56494936, -3.25809654, -2.56494936, -3.25809654, -2.56494936, -2.56494936, -1.87180218]), array([-3.04452244, -3.04452244, -3.04452244, -2.35137526, -2.35137526, -3.04452244, -3.04452244, -3.04452244, -2.35137526, -2.35137526, -3.04452244, -3.04452244, -3.04452244, -2.35137526, -2.35137526, -2.35137526, -2.35137526, -2.35137526, -3.04452244, -1.94591015, -3.04452244, -2.35137526, -2.35137526, -3.04452244, -1.94591015, -3.04452244, -1.65822808, -3.04452244, -2.35137526, -3.04452244, -3.04452244, -3.04452244]), 0.5) >>> >>> testEntry = ['love', 'my', 'dalmation'] >>> thisDoc = array(bayes.setOfWords2Vec(myVocalList, testEntry)) #测试数据转词向量 >>> thisDoc array([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]) >>> print testEntry,'classified as: ',bayes.classifyNB(thisDoc,p0v,p1v,pab)#判断测试数据类别 ['love', 'my', 'dalmation'] classified as: 0
*************************************************************
二、示例：朴树贝叶斯过滤垃圾邮件
email文件夹下有两个文件夹ham和spam，分别存放垃圾邮件和非垃圾邮件，将这50条数据，40条作为训练样本，10条数据作为测试样本，使用词袋模型完成训练和测试，并打印错误词，计算错误率
>>> import bayes >>> bayes.spamTest() classification error ['benoit', 'mandelbrot', '1924', '2010', 'benoit', 'mandelbrot', '1924', '2010', 'wilmott', 'team', 'benoit', 'mandelbrot', 'the', 'mathematician', 'the', 'father', 'fractal', 'mathematics', 'and', 'advocate', 'more', 'sophisticated', 'modelling', 'quantitative', 'finance', 'died', '14th', 'october', '2010', 'aged', 'wilmott', 'magazine', 'has', 'often', 'featured', 'mandelbrot', 'his', 'ideas', 'and', 'the', 'work', 'others', 'inspired', 'his', 'fundamental', 'insights', 'you', 'must', 'logged', 'view', 'these', 'articles', 'from', 'past', 'issues', 'wilmott', 'magazine'] classification error ['yeah', 'ready', 'may', 'not', 'here', 'because', 'jar', 'jar', 'has', 'plane', 'tickets', 'germany', 'for'] classification error ['home', 'based', 'business', 'opportunity', 'knocking', 'your', 'door', 'don', 'rude', 'and', 'let', 'this', 'chance', 'you', 'can', 'earn', 'great', 'income', 'and', 'find', 'your', 'financial', 'life', 'transformed', 'learn', 'more', 'here', 'your', 'success', 'work', 'from', 'home', 'finder', 'experts'] the error rate is: 0.3 >>>
另一个例子：使用朴素贝叶斯来发现低于相关的用词
原理：利用训练样本求得p0Vect——[2],p1Vect——[1],pAbusive；即P(w|ci)和P(ci)，通过调整移除的高频词数据，达到较高的准确率，然后返回出现概率较大的词汇。
（代码略）
详细见书P70
推荐公众号，另一篇比较好的文章【朴素贝叶斯分类算法原理与实践】
