樸素葉貝斯算法
概率基礎
- 概率: 一件事情發生的可能性
- 聯合概率: 包含多個條件,且所有條件同時成立的概率。P(A,B)
P(A, B) = P(A)P(B) - 條件概率:事件A在另外一個事件B已經發生條件下發生的概率。 P(A|B)
P(A1,A2 | B) = P(A1 | B) * P(A2 | B)
注意: 此條件概率的成立,是由於A1, A2相互獨立的結果
樸素貝葉斯
- 樸素: 特徵獨立,常用文檔分類在給定詞比例的基礎上,求各類型文檔的比例
- 貝葉斯公式: (多個條件下一個結果)
- 公式分為3個部分:P(C): 每個文檔類別的概率 (某類文檔數/總文檔數)P(W | C):給定類別下特徵(被預測文檔中出現的詞)的概率:計算方法:P(F1|C) = Ni/NNi : F1詞在C類別文檔所有文檔出現的次數N: 所屬C類別下的文檔所有詞出現的次數和P(F1,F2,F3) : 預測文檔中每個詞的概率
- 文檔分類: 給定一個文檔的條件下,求文檔所屬於科技、娛樂等類別的概率。哪個類別的概率大,則歸為某個類別。
- 文檔:詞1, 詞2 , 詞3 (詞出現的數量的情況下,判斷類別)P(科技|詞1,詞2,詞3) = P(f1,f2,f3 | 科技)*P(科技)/P(W)P(娛樂|詞1,詞2,詞3) = P(f1,f2,f3 | 娛樂)*P(娛樂)/P(W)
- 由於是概率大小,則P(W)可以同時約去
文檔分類實例
特徵科技(30篇)娛樂(60篇)彙總(90篇)商場95160影院85664支付寶201535雲計算63063彙總(求和)100121221
現有一篇預測文檔,出現了 影院 , 支付寶 , 雲計算 ,計算屬於科技、娛樂的概率。
- 科技: P(科技 |影院,支付寶,雲計算)= P(影院,支付寶,雲計算| 科技)* P(科技)= P(影院|科技)P(支付寶|科技) P(雲計算|科技)P(科技)= (8/100)* (20/100)* (63/100)*(30/90) = 0.00456109
- 娛樂:P(娛樂 |影院,支付寶,雲計算)= (56/121)(15/121)(0/121)(60/90)= 0
拉普拉斯平滑
- 目的:避免單個特徵詞出現次數為0 ,導致最終的計算結果為0 。
- 原因:其他的詞在這個類型文檔中出現過,則還是有可能屬於這個文檔。
- P(F1|C) = (Ni +a) /(N+am)a為指定的係數,一般取1m為訓練文檔中統計出的特徵詞的個數 (上述例子中為4)
sklearn樸素貝葉斯API
sklearn.naive_bayes.MultinomialNB (alpha = 1.0)
樸素貝葉斯算法案例 (sklearn 20類新聞分類)
案例流程
- 加載數據,進行分割
- 生成文章特徵詞
- 樸素貝葉斯estimator進行預估
算法總結
- 訓練集誤差大,結果肯定不好
- 不需要調參
- 優點:發源於古典數學理論,有穩定的分類效率對缺失數據不太敏感,算法也比較簡單,常用於文本分類分類準確率高,速度快
- 缺點:由於使用樣本獨立性假設,對樣本屬性有關聯時效果不好
分類模型評估
常見評估方法
- estimator.score() - 準確率,預測結果正確的百分比
- 精確率(precision) - 預測結果為正例樣本中真實為正例的比例 (查的準)
- 召回率(recall) - 真實為正例的樣本中預測結果為正例的比例 (查的全)
- F1-score - 反映了模型的穩定性
混淆矩陣
- 定義:在分類任務中,預測結果(Predicted condition) 與正確標記 (True condition)之間存在四種不同的組合,構成混淆矩陣。
分類評估API
sklearn.metrics.classification_report(y_true, y_pred, target_names=None)
- y_true: 真實目標值
- y_pred: 估計器預測目標值
- target_names: 目標類別名稱
- return: 每個類別精確率和召回率
案例代碼
from sklearn.datasets import fetch_20newsgroups
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import classification_report
def naivebayes():
"""
樸素貝葉斯進行文本分類
:return: None
"""
news = fetch_20newsgroups(subset='all')
# 進行數據分割
x_train, x_test, y_train, y_test = train_test_split(news.data, news.target_names, test_size=0.25 )
# 對數據集進行特徵抽取
tf = TfidfVectorizer()
# 以訓練集當中的詞的列表進行每篇文章重要性統計
x_train = tf.fit_transform(x_train)
print(tf.get_feature_names())
x_test = tf.transform(x_test)
# 進行樸素貝葉斯算法的計算
mlt = MultinomialNB(alpha=1.0)
mlt.fit(x_train, y_train)
print(x_train)
y_predict = mlt.predict(x_test)
print("預測的文章類別為:", y_predict)
score = mlt.score(x_test, y_test)
print("分類準確率為:", score)
print("每個類別的精確率和召回率:", classification_report
(y_test,y_predict,target_names=news.target_names))
return None
if __name__ == '__main__':
naivebayes()
閱讀更多 sandag 的文章