【机器学习实战】朴素贝叶斯应用之垃圾邮件过滤 |
您所在的位置：网站首页 › 拦截corpus › 【机器学习实战】朴素贝叶斯应用之垃圾邮件过滤 |
【机器学习实战】朴素贝叶斯应用之垃圾邮件过滤
|
1.什么是朴素贝叶斯2.贝叶斯公式3.朴素贝叶斯常用的三个模型4.朴素贝叶斯实现垃圾邮件过滤的步骤5.垃圾邮件过滤实验：（一）、准备收集好的数据集，并下载到本地文件夹（二）、朴素贝叶斯分类器训练函数（三）、朴素贝叶斯分类器训分类函数（四）、测试朴素贝叶斯分类器，使用朴素贝叶斯进行交叉验证（五）、测试结果截图
6.总结
1.什么是朴素贝叶斯
NaïveBayes算法，又叫朴素贝叶斯算法。 朴素：特征条件独立； 贝叶斯：基于贝叶斯定理。属于监督学习的生成模型，实现简单，没有迭代，并有坚实的数学理论（即贝叶斯定理）作为支撑。在大量样本下会有较好的表现，不适用于输入向量的特征条件有关联的场景。 朴素贝叶斯（Naive Bayesian）是基于贝叶斯定理和特征条件独立假设的分类方法，它 通过特征计算分类的概率，选取概率大的情况，是基于概率论的一种机器学习分类（监督学习）方法，被广泛应用于情感分类领域的分类器。 2.贝叶斯公式
1.高斯模型：处理特征是连续型变量的情况 2.多项式模型：主要用于离散特征分类，例如文本分类单词统计以出现的次数作为特征值 3.伯努利模型：要求特征是离散的，且为布尔类型，即true和false，或者1和0 4.朴素贝叶斯实现垃圾邮件过滤的步骤（1）收集数据：提供文本文件。 （2）准备数据：将文本文件解析成词条向量。 （3）分析数据：检查词条确保解析的正确性。 （4）训练算法：计算不同的独立特征的条件概率。 （5）测试算法：计算错误率。 （6）使用算法：构建一个完整的程序对一组文档进行分类。 5.垃圾邮件过滤实验： （一）、准备收集好的数据集，并下载到本地文件夹
参数： trainMatrix - 训练文档矩阵，即setOfWords2Vec返回的returnVec构成的矩阵 trainCategory - 训练类别标签向量，即loadDataSet返回的classVec 返回值： p0Vect- 正常邮件类的条件概率数组 p1Vect - 垃圾邮件类的条件概率数组 pAbusive- 文档属于垃圾邮件类的概率 def trainNB0(trainMatrix, trainCategory): numTrainDocs = len(trainMatrix) # 计算训练的文档数目 numWords = len(trainMatrix[0]) # 计算每篇文档的词条数 pAbusive = sum(trainCategory) / float(numTrainDocs) # 文档属于垃圾邮件类的概率 p0Num = np.ones(numWords) p1Num = np.ones(numWords) #创建numpy.ones数组,词条出现数初始化为1,拉普拉斯平滑 p0Denom = 2.0 p1Denom = 2.0 # 分母初始化为2 ,拉普拉斯平滑 for i in range(numTrainDocs): if trainCategory[i] == 1: # 统计属于侮辱类的条件概率所需的数据，即P(w0|1),P(w1|1),P(w2|1)··· p1Num += trainMatrix[i] p1Denom += sum(trainMatrix[i]) else: # 统计属于非侮辱类的条件概率所需的数据，即P(w0|0),P(w1|0),P(w2|0)··· p0Num += trainMatrix[i] p0Denom += sum(trainMatrix[i]) p1Vect = np.log(p1Num / p1Denom) p0Vect = np.log(p0Num / p0Denom) # 取对数，防止下溢出 return p0Vect, p1Vect, pAbusive （三）、朴素贝叶斯分类器训分类函数参数： vec2Classify - 待分类的词条数组 p0Vec - 正常邮件类的条件概率数组 p1Vec- 垃圾邮件类的条件概率数组 pClass1 - 文档属于垃圾邮件的概率 返回值： 0 - 属于正常邮件类 1 - 属于垃圾邮件类 def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1): p1 = sum(vec2Classify * p1Vec) + np.log(pClass1) p0 = sum(vec2Classify * p0Vec) + np.log(1.0 - pClass1) if p1 > p0: return 1 else: return 0 （四）、测试朴素贝叶斯分类器，使用朴素贝叶斯进行交叉验证 def spamTest(): docList = [] classList = [] fullText = [] for i in range(1, 26): # 遍历25个txt文件 wordList = textParse(open('spam/%d.txt' % i, 'r').read()) # 读取每个垃圾邮件，并字符串转换成字符串列表 docList.append(wordList) fullText.append(wordList) classList.append(1) # 标记垃圾邮件，1表示垃圾文件 wordList = textParse(open('ham/%d.txt' % i, 'r').read()) # 读取每个非垃圾邮件，并字符串转换成字符串列表 docList.append(wordList) fullText.append(wordList) classList.append(0) # 标记正常邮件，0表示正常文件 vocabList = createVocabList(docList) # 创建词汇表，不重复 trainingSet = list(range(50)) testSet = [] # 创建存储训练集的索引值的列表和测试集的索引值的列表 for i in range(10): # 从50个邮件中，随机挑选出40个作为训练集,10个做测试集 randIndex = int(random.uniform(0, len(trainingSet))) # 随机选取索索引值 testSet.append(trainingSet[randIndex]) # 添加测试集的索引值 del (trainingSet[randIndex]) # 在训练集列表中删除添加到测试集的索引值 trainMat = [] trainClasses = [] # 创建训练集矩阵和训练集类别标签系向量 for docIndex in trainingSet: # 遍历训练集 trainMat.append(setOfWords2Vec(vocabList, docList[docIndex])) # 将生成的词集模型添加到训练矩阵中 trainClasses.append(classList[docIndex]) # 将类别添加到训练集类别标签系向量中 p0V, p1V, pSpam = trainNB0(np.array(trainMat), np.array(trainClasses)) # 训练朴素贝叶斯模型 errorCount = 0 # 错误分类计数 for docIndex in testSet: # 遍历测试集 wordVector = setOfWords2Vec(vocabList, docList[docIndex]) # 测试集的词集模型 if classifyNB(np.array(wordVector), p0V, p1V, pSpam) != classList[docIndex]: # 如果分类错误 errorCount += 1 # 错误计数加1 print("分类错误的测试集：",docList[docIndex]) print('错误率：%.2f%%' % (float(errorCount) / len(testSet) * 100)) （五）、测试结果截图
朴素贝叶斯优缺点： 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,由于朴素贝叶斯的“特征条件独立”特点，所以会带来一些准确率上的损失 注意：使用拉普拉斯平滑解决零概率问题；对乘积结果取自然对数避免下溢出问题，采用自然对数进行处理不会有任何损失。 |
ham文件夹下的文件为正常邮件，里面共有25封txt格式按数字命名顺序排列的正常邮件 正常邮件内容如下图所示： 
spam文件下的txt文件为垃圾邮件，里面有25封txt格式按数字命名顺序排列的垃圾邮件 垃圾邮件内容如下图所示： 
可以看到，实验结果平均错误率为10%左右【本文地址】
今日新闻 |
推荐新闻 |