python机器学习之贝叶斯分类

一、贝叶斯分类介绍

贝叶斯分类器是一个统计分类器。它们能够预测类别所属的概率,如:一个数据对象属于某个类别的概率。贝叶斯分类器是基于贝叶斯定理而构造出来的。对分类方法进行比较的有关研究结果表明:简单贝叶斯分类器(称为基本贝叶斯分类器)在分类性能上与决策树和神经网络都是可比的。在处理大规模数据库时,贝叶斯分类器已表现出较高的分类准确性和运算性能。基本贝叶斯分类器假设一个指定类别中各属性的取值是相互独立的。这一假设也被称为:类别条件独立,它可以帮助有效减少在构造贝叶斯分类器时所需要进行的计算。

二、贝叶斯定理

p(A|B) 条件概率 表示在B发生的前提下,A发生的概率;

 

基本贝叶斯分类器通常都假设各类别是相互独立的,即各属性的取值是相互独立的。对于特定的类别且其各属性相互独立,就会有:

 P(AB|C) = P(A|C)*P(B|C)

三、贝叶斯分类案例

1.分类属性是离散

假设有样本数为6个的训练集数字如下:

现在假设来又来了一个人是症状为咳嗽的教师,那这位教师是患上感冒、发烧、鼻炎的概率分别是多少呢?这个问题可以用贝叶斯分类来解决,最后三个疾病哪个概率高,就把这个咳嗽的教师划为哪个类,实质就是分别求p(感冒|咳嗽*教师)和P(发烧 | 咳嗽 * 教师)

P(鼻炎 | 咳嗽 * 教师) 的概率;

假设各个类别相互独立:

 

 P(感冒)=3/6    P(发烧)=1/6     P(鼻炎)=2/6

 p(咳嗽) = 3/6   P(教师)= 2/6

 p(咳嗽 | 感冒) = 2/3   P(教师 | 感冒) = 1/3

按以上方法可分别求  P(发烧 | 咳嗽 × 教师) 和P(鼻炎 |咳嗽 × 教师 )的概率;

2.分类属性连续

如果按上面的样本上加一个年龄的属性;因为年龄是连续,不能采用离散变量的方法计算概率。而且由于样本太少,所以也无法分成区间计算;这时,可以假设感冒、发烧、鼻炎分类的年龄都是正态分布,通过样本计算出均值和方差,也就是得到正态分布的密度函数;

下面就以求P(年龄=15|感冒)下的概率为例说明:

   第一:求在感冒类下的年龄平均值  u=(15+48+12)/3=25

   第二:求在感冒类下年龄的方差 代入下面公司可求:方差=266

   第三:把年龄=15 代入正太分布公式如下:参数代进去既可以求的P(age=15|感冒)的概率

其他属性按离散方法可求;

四、概率值为0处理

假设有这种情况出现,在训练集上感冒的元祖有10个,有0个是孩子,有6个是学生,有4个教师;当分别求

      P(孩子|感冒) =0; P(学生|感冒)=6/10 ; P(教师|感冒)=4/10  ;出现了概率为0的现象,为了避免这个现象,在假设训练元祖数量大量的前提下,可以使用拉普拉斯估计法,把每个类型加1这样可求的分别概率是

      P(孩子|感冒) = 1/13  ; P(学生|感冒) = 7/13   ; P(教师|感冒)=4/13

 五、垃圾邮件贝叶斯分类案例

1.准备训练集数据

假设postingList为一个六个邮件内容,classVec=[0,1,0,1,0,1]为邮件类型,设1位垃圾邮件

def loadDataSet():

postingList =[['my','dog','has',' flea','problems','help','please'],

['mybe','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','hime'],

['quit','buying','worthless','dog','food','stupid','quit']]

classVec =[0,1,0,1,0,1]

return postingList,classVec

2.根据所有的邮件内容创建一个所有单词集合

def createVocabList(dataSet):

vocabSet =set([])

for document in dataSet:

vocabSet = vocabSet | set(document)

return list(vocabSet)

测试后获取所有不重复单词的集合见下一共:

3.根据2部所有不重复的单词集合对每个邮件内容向量化 

def bagOfWords2VecMN(vocabList,inputSet):

returnVec =[0]*len(vocabList)

for word in inputSet:

returnVec[vocabList.index(word)] +=1

return returnVec

测试后可得如下,打印内容为向量化的六个邮件内容

4.训练模型,此时就是分别求p(垃圾|文档) = p(垃圾)*p(文档|垃圾)/p(文档)

def trainNBO(trainMatrix,trainCategory):

numTrainDocs = len(trainMatrix)

numWords =len(trainMatrix[0])

#计算p(垃圾)的概率

pAbusive = sum(trainCategory)/float(numTrainDocs)

#为了防止一个概率为0,假设都有一个

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])

p1Vect = np.log((p1Num/p1Denom))

p0Vect = np.log(p0Num/p0Denom)

return p0Vect,p1Vect,pAbusive

对训练模型进行测试结果如下:

5.定义分类方法

def classifyNB(vec2Classify,p0Vec,p1Vec,pClass1):

p1 =sum(vec2Classify * p1Vec) +math.log(pClass1)

p0 = sum(vec2Classify * p0Vec)+math.log(1.0-pClass1)

if p1>p0:

return 1

else:

return 0

6.以上分类完成,下面就对其进行测试,测试方法如下:

def testingNB():

listOPosts,ListClasses = loadDataSet();

myVocabList = createVocabList(listOPosts)

trainMat=[]

for postinDoc in listOPosts:

trainMat.append(bagOfWords2VecMN(myVocabList,postinDoc))

p0V,p1V,pAb =trainNBO(trainMat,ListClasses)

testEntry =['stupid','my','dalmation']

thisDoc = array(bagOfWords2VecMN(myVocabList,testEntry))

print testEntry,'classified as',classifyNB(thisDoc,p0V,p1V,pAb)

结果如下:

以上是 python机器学习之贝叶斯分类 的全部内容, 来源链接: utcz.com/z/333244.html

回到顶部