在文本分类,垃圾邮件过滤的场景中,我们经常会用到的是朴素贝叶斯算法,今天小编就具体给大家介绍一下朴素贝叶斯算法
一、朴素贝叶斯算法简介
1.朴素贝叶斯算法概念
朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。朴素贝叶斯分类器(Naive Bayes Classifier,或 NBC)发源于古典数学理论,有着坚实的数学基础,以及稳定的分类效率。
2.朴素贝叶斯算法优缺点
优点:
(1)朴素贝叶斯模型发源于古典数学理论,分类效率比较稳定。
(2)对小规模的数据表现很好,能够用于多分类任务的处理,适合增量式训练,尤其是在数据量超出内存的情况下,能够一批批的去增量训练。
(3)算法简单,对缺失数据不太敏感。
缺点:
(1)理论上,朴素贝叶斯模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此,这是因为朴素贝叶斯模型假设属性之间是相互独立的,而这个假设在实际应用中往往并不成立的。虽然在属性相关性较小时,朴素贝叶斯性能良好。但是,在属性个数比较多或者属性之间相关性较大时,分类效果并不好。
(2)需要知道先验概率,并且先验概率在很多时候多是取决于假设,假设的模型可以有多种,从而导致在某些时候会由于假设的先验模型而使得预测效果不佳。
(3)因为是通过先验和数据来决定后验的概率来决定分类的,所以分类决策存在一定的错误率。
(4)对输入数据的表达形式很敏感。
二、贝叶斯定理
既然,朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。那么接下来我们就来了解一下贝叶斯定理。
贝叶斯算法是英国数学家贝叶斯(约1701-1761)Thomas Bayes,生前提出为解决“逆概”问题而提出的。
条件概率就是事件 A 在另外一个事件 B 已经发生条件下的发生概率。条件概率表示为P(A|B),读作“在 B 发生的条件下 A 发生的概率”。
联合概率表示两个事件共同发生(数学概念上的交集)的概率。A 与 B 的联合概率表示为
推导:
从条件概率的定义推导出贝叶斯定理。
根据条件概率的定义,在事件 B 发生的条件下事件 A 发生的概率为:
同样道理,在事件 A 发生的条件下事件 B 发生的概率为:
结合这两个方程式,能够得到:
这个引理有时称作概率乘法规则。上式两边同除以 P(A),若P(A)是非零的,就能得到贝叶斯定理:
# 文本分类器 import numpy as np # 数据样本 def loadDataSet(): # dataset = [['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'], # # ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'], # # ['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'hime'], # # ['stop', 'posting', 'stupid', 'worthless', 'garbage'], # # ['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'], # # ['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']] dataset = [['玩', '游', '戏', '吧'], ['玩', 'lol', '吧'], ['我', '要', '学', '习'], ['学', '习', '使', '我', '快', '了'], ['学', '习', '万', '岁'], ['我', '要', '玩', '耍']] label = [1, 1, 0, 0, 0, 1] return dataset, label # 获取文档中出现的不重复词表 def createVocabList(dataset): vocaset = set([]) # 用集合结构得到不重复词表 for document in dataset: vocaset = vocaset | set(document) # 两个集合的并集 return list(vocaset) def setword(listvocaset, inputSet): newVocaset = [0] * len(listvocaset) for data in inputSet: if data in listvocaset: newVocaset[listvocaset.index(data)] = 1 # 如果文档中的单词在列表中,则列表对应索引元素变为1 return newVocaset def train(listnewVocaset, label): label = np.array(label) numDocument = len(listnewVocaset) # 样本总数 numWord = len(listnewVocaset[0]) # 词表的大小 pInsult = np.sum(label) / float(numDocument) p0num = np.ones(numWord) # 非侮辱词汇 p1num = np.ones(numWord) # 侮辱词汇 p0Denom = 2.0 # 拉普拉斯平滑 p1Denom = 2.0 for i in range(numDocument): if label[i] == 1: p1num += listnewVocaset[i] p1Denom += 1 else: p0num += listnewVocaset[i] p0Denom += 1 # 取对数是为了防止因为小数连乘而造成向下溢出 p0 = np.log(p0num / p0Denom) # 属于非侮辱性文档的概率 p1 = np.log(p1num / p1Denom) # 属于侮辱性文档的概率 return p0, p1, pInsult # 分类函数 def classiyyNB(Inputdata, p0, p1, pInsult): # 因为取对数,因此连乘操作就变成了连续相加 p0vec = np.sum(Inputdata * p0) + np.log(pInsult) p1vec = np.sum(Inputdata * p1) + np.log(1.0 - pInsult) if p0vec > p1vec: return 0 else: return 1 def testingNB(): dataset, label = loadDataSet() voast = createVocabList(dataset) listnewVocaset = [] for listvocaset in dataset: listnewVocaset.append(setword(voast, listvocaset)) p0, p1, pInsult = train(listnewVocaset, label) Inputdata = ['玩', '一', '玩'] Inputdata = np.array(Inputdata) Inputdata = setword(voast, Inputdata) print("这句话对应的分类是:") print(classiyyNB(Inputdata, p0, p1, pInsult)) testingNB()
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14