朴素贝叶斯算法-分类算法

1 概率基础

概率定义为一件事情发生的可能性

联合概率：包含多个条件，且所有条件同时成立的概率，记作P(A,B)

条件概率：事件A在另一个事件B已经发生条件下的发送概率，记作P(A|B)

在A1,A2相互独立的情况下，条件概率的特性：P(A1,A2|B)=P(A1|B)P(A2|B)

2 贝叶斯公式

W：特征向量           C：类别

贝叶斯公式最常用于文本分类，上式左边可以理解为给定一个文本词向量W，那么它属于类别C的概率是多少。式子右边分几部分，P(W∣C​​)为在给定类别的情况下，该文档的词向量（被预测文档中出现词）的概率，P(C)为每个文档类别的概率（某文档类型词数/总文档词数），P（F1,F2..）预测文档中每个词的概率

可以理解为：

C可以是不同类别

假如有个训练集统计结果如下：

现有一篇被预测文档：出现了原子弹，飞机，卢沟桥事变属于科技、历史的类别概率？

因为P（原子弹，飞机，卢沟桥事变）在每个统计中都是一样的，所有忽略。

P（科技|原子弹，飞机，卢沟桥事变）=P（原子弹，飞机，卢沟桥事变|科技）P（科技）=（2/55）（60/117）（0/117）（117/285）=0

P（历史|原子弹，飞机，卢沟桥事变）=P（原子弹，飞机，卢沟桥事变|历史）P（历史）=（20/168）（23/168）（65/168）（168/285）

上面的例子中，因为某个某个词的出现概率为0导致属于某个类别为0，这是不合理的，所以引入拉普拉斯平滑

3 拉普拉斯平滑

为了避免训练集样本对一些特征的缺失，即某一些特征出现的次数为0，在计算P(X​1​​,X​2​​,X​3​​,...,X​n​​∣Y​i​​)的时候，各个概率相乘最终结果为零，这样就会影响结果。我们需要对这个概率计算公式做一个平滑处理，即拉普拉斯平滑系数

其中m为特征词向量的个数，α为平滑系数，当α=1，称为拉普拉斯平滑

4 sklearn朴素贝叶斯实现API

sklearn.naive_bayes.MultinomialNB

sklearn.naive_bayes.MultinomialNB(alpha = 1.0) 朴素贝叶斯分类 alpha：拉普拉斯平滑系数

常用方法：

5 朴素贝叶斯算法案例

sklearn20类新闻分类 ，20个新闻组数据集包含20个主题的18000个新闻组帖子

步骤：①加载20类新闻数据，并进行分割

②生成文章特征词

③朴素贝叶斯estimator流程进行预估

from sklearn.naive_bayes import MultinomialNB
from sklearn.datasets import fetch_20newsgroups
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics import classification_report
#1加载20类新闻数据，并进行分割
newsgroups = fetch_20newsgroups(subset='all')
#分割
x_train,x_test,y_train,y_test = train_test_split(newsgroups.data,newsgroups.target,test_size=0.25)#2 生成文章特征词，对数据集进行特征抽取
tf = TfidfVectorizer()
#以训练集当中的词的列表进行每篇文章重要性统计
x_train = tf.fit_transform(x_train)
print(tf.get_feature_names())
x_test = tf.transform(x_test)# 进行朴素贝叶斯算法的预测
mlt = MultinomialNB(alpha=1.0)
mlt.fit(x_train,y_train)
y_predict = mlt.predict(x_test)
print("预测的文章类别为",y_predict)
score = mlt.score(x_test,y_test)
print("准确率为：", score)
print("每个类别的精确率,召回率和F1：", classification_report(y_test, y_predict, target_names=newsgroups.target_names))

6 朴素贝叶斯分类优缺点

优点： ①朴素贝叶斯模型发源于古典数学理论，有稳定的分类效率。 ②对缺失数据不太敏感，算法也比较简单，常用于文本分类。 ③分类准确度高，速度快

缺点：需要知道先验概率P(F1,F2,…|C)，因此在某些时候会由于假设的先验模型的原因导致预测效果不佳。

特点：不需要调参，如果训练集误差大，结果肯定不好。