本文共 5527 字，大约阅读时间需要 18 分钟。

最近刚刚开始利用空余时间学习一下机器学习领域的10大经典算法，作为知识的储备，算是给自己的学习作一个备份。

1. 何为朴素贝叶斯分类算法

   朴素贝叶斯分类算法，基于概率论实现分类，它不给出确切的分类，而是给出所属的类别的估计概率。朴素贝叶斯的理论基础是条件概率和贝叶斯准则

2. 条件概率

   条件概率公式如下：
   
   这里，事件b表示条件。公式的含义可以理解为在事件b发生的前提下，事件a发生的概率 = 事件a、b同时发生的概率 *事件b发生的概率。
   如果事件a有多个属性，公式的形式如下：
   
   需要注意的是上述公式成立的一个条件是相互独立

3. 贝叶斯定理

   举一个具体的例子，假如现在有一个装了7个球的桶，其中3个是白色的，4个是黑色的，那么随机取出一个球，球是白色的概率为3/7，为黑色的概率是4/7。如果这7个球放在A、B两个桶中，如下图所示：

   

   按照上面的条件概率公式可以知道，p(白/B）=p(白,B)P(B) = (1/7 )/ (3/7) = 1/3。
   解释一下p(白/B）和p(白,B)的区别：p(白/B）表示在B桶中抽到一个白球（所以B是限定条件），p(白,B)表示抽到一个白球且这个白球位于B桶中（白球和B桶同时发生）。通常p(白/B）称之为先验概率
   那么问题来了，如果知道了p(白/B）,如何求P（B/白）的概率，也就是已知抽到一个白球，那么它来自B桶的概率是多少。
   这个问题可以利用贝叶斯公式来求解：
   
   对于上面这个具体的例子可以有：
   抽到白球的概率p(白）=p(白/A)p(A)+p(白/B)p(B) = (2/4)(4/7) + (1/3) (3/7) = 3/7 也就是白球发生的概率是3/7
   p(白/B)p(B) = 1/7
   p(B/白） = （1/7） / (3/7) = 1/3

4. 为什么是朴素贝叶斯

   这里面有个假设——各个属性间互相独立

5. 决策标准

   如果p(1/x,y) > p(2/x,y), 那么属于类别1
   如果p(2/x,y) > p(1/x,y), 那么属于类别2

6. 缺陷

   因为没有这里假设各个属性相互独立，但是在某些情况下，属性B出现的概率依赖于其他属性，这时候分类的准确度会有偏差，解决办法在后面的博文中会介绍

7. 实现代码

   使用python语言实现，这里有一个小技巧，对于连乘的数学表达式，采用取对数的方式，变成加法，作用是防止出现某一项为0导致整个表达式为0的情况

@python# -*- coding:utf-8 -*-__author__ = 'Administrator'from numpy import *def loadDataSet():    postingList = [['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'],                   ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'],                   ['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him'],                   ['stop', 'posting', 'stupid', 'worthless', 'garbage'],                   ['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'],                   ['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']                   ]    classVec = [0, 1, 0, 1, 0, 1]  # 1表示出现侮辱性文字，0表示没有出现侮辱性文字    return postingList, classVecdef createVocabList(dataSet):    vocabSet = set([])    for document in dataSet:        vocabSet = vocabSet | set(document)    return list(vocabSet)def setOfWords2Vec(vocabList, inputSet):    returnVec = [0] * len(vocabList)  # python 中，列表乘以一个常数n,表示列表中所有元素作为整体重复n次    for word in inputSet:        if word in vocabList:            returnVec[vocabList.index(word)] = 1        else:            print("the word: %s is not in my vocablist!" % word)    return returnVecdef bagOfWords2Vec(vocabList, inputSet):    returnVec = [0] * len(vocabList)  # python 中，列表乘以一个常数n,表示列表中所有元素作为整体重复n次    for word in inputSet:        if word in vocabList:            returnVec[vocabList.index(word)] += 1        else:            print("the word: %s is not in my vocablist!" % word)    return returnVecdef trainNB0(trainMatrix, trainCategory):    numTrainDocs = len(trainMatrix)    numWords = len(trainMatrix[0])    pAbusive = sum(trainCategory) / float(numTrainDocs)    # p0Num = zeros(numWords)    # p1Num = zeros(numWords)    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])  # 该类中包含的所有词汇的总数        else:            p0Num += trainMatrix[i]            p0Denom += sum(trainMatrix[i])  # 该类中包含的所有词汇的总数    p1Vec = log(p1Num / p1Denom)    p0Vec = log(p0Num / p0Denom)    return p0Vec, p1Vec, pAbusivedef classifyNB(vec2Classify, p0vec, p1vec, pClass1):    p1 = sum(vec2Classify * p1vec) + log(pClass1)    p0 = sum(vec2Classify * p0vec) + log(1-pClass1)    if p1 > p0:        return 1    else:        return 0def testingNb():    listOPosts, listClasses = loadDataSet()    myVocabList = createVocabList(listOPosts)    trainMat = []    for postinDoc in listOPosts:        trainMat.append(setOfWords2Vec(myVocabList, postinDoc))    p0v, p1v, pAb = trainNB0(array(trainMat), array(listClasses))    testEntry = ['love', 'my', 'dalmation']    thisDoc = array(setOfWords2Vec(myVocabList, testEntry))    print testEntry, "classified as: ", classifyNB(thisDoc, p0v, p1v, pAb)    testEntry = ['stupid', 'garbage']    thisDoc = array(setOfWords2Vec(myVocabList, testEntry))    print testEntry, "classified as: ", classifyNB(thisDoc, p0v, p1v, pAb)def textParse(bigString):    import re    listOfTockens = re.split(r'\W*', bigString)    return [tok.lower() for tok in listOfTockens if len(tok) > 2]def spamTest():    docList = []    classList = []    fullText = []    for i in range(1, 26):        wordList = textParse(open('email/spam/%d.txt' % i).read())        docList.append(wordList)  # wordlist整体作为一个元素加入到doclist        fullText.extend(wordList)  # wordList的元素依次加入到doclist        classList.append(1)        wordList = textParse(open('email/ham/%d.txt' % i).read())        docList.append(wordList)  # wordlist整体作为一个元素加入到doclist        fullText.extend(wordList)  # wordList的元素依次加入到doclist        classList.append(0)    vocabList = createVocabList(docList)    trainingSet = range(50)    testSet = []    for i in range(10):        randIndex = int(random.uniform(0, len(trainingSet)))        testSet.append(trainingSet[randIndex])        del(trainingSet[randIndex])    trainMat = []    trainClass = []    for docIndex in trainingSet:        trainMat.append(setOfWords2Vec(vocabList, docList[docIndex]))        trainClass.append(classList[docIndex])    p0v, p1v, pSpam = trainNB0(array(trainMat), array(classList))    errorCount = 0    for docIndex in testSet:        wordVector = setOfWords2Vec(vocabList, docList[docIndex])        if classifyNB(array(wordVector), p0v, p1v, pSpam) != classList[docIndex]:            errorCount += 1            print('error doc = ', docList[docIndex])    # print('the error rate is:', float(errorCount / len(testSet)))    print('the error rate is:', float(errorCount) / len(testSet))

这里写代码片

转载地址：https://blog.csdn.net/LJH0600301217/article/details/47664017 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！