HanLP-朴素贝叶斯分类预测缺陷

阅读更多

 

文章整理自 baiziyu 的知乎专栏，感兴趣的朋友可以去关注下这位大神的专栏，很多关于自然语言处理的文章写的很不错。昨天看到他的分享的两篇关于朴素贝叶斯分类预测的文章，整理了一下分享给给大家，文章已做部分修改！

 

朴素贝叶斯分类时，最好取对数变相乘为相加，防止预测结果溢出。可能出现的badcase就是明明训练语料X类目下没有词语t，而系统就将文本预测为X类目。解决方法就时改相乘为取对数相加。HanLP的朴素贝叶斯分类计算没有用对数相加的方法，而是直接用的概率相乘，很有可能溢出。

 

对上述内容做一些更正，HanLP的朴素贝叶斯是按照概率取对数相加做的。

看一下下边的代码

 

 @Override

    public double[] categorize(Document document) throws IllegalArgumentException, IllegalStateException

    {

        Integer category;

        Integer feature;

        Integer occurrences;

        Double logprob;

 

        double[] predictionScores = new double[model.catalog.length];

        for (Map.Entry entry1 : model.logPriors.entrySet())

        {

            category = entry1.getKey();

            logprob = entry1.getValue(); //用类目的对数似然初始化概率

 

            //对文档中的每个特征

            for (Map.Entry entry2 : document.tfMap.entrySet())

            {

                feature = entry2.getKey();

 

                if (!model.logLikelihoods.containsKey(feature))

                {

                    continue; //如果在模型中找不到就跳过了

                }

 

                occurrences = entry2.getValue()[0]; //获取其在文档中的频次

 

                logprob += occurrences * model.logLikelihoods.get(feature).get(category); //将对数似然乘上频次

            }

            predictionScores[category] = logprob;

        }

 

        if (configProbabilityEnabled) MathUtility.normalizeExp(predictionScores);

        return predictionScores;

    }

 

这么看来，之前遇到的下边的这个badcase就还要再分析

[1] 化验指标一变化患者就六神无主，看医生怎么讲解

核心词：患者 看医生

这里“患者”和“看医生”两个词都没在“艺术”类训练语料中出现，但是预测概率最大的反倒是“艺术”。

由于用PyHanLP没法看到预测概率的计算过程，所以还是把Python的分类预测代码改为Java代码调式看一下。今天移植了预处理，资源加载，人工干预部分的代码，明天把剩余预测部分移植为Java再来看这个badcase。这就是朴素贝叶斯的优势，分析起来非常清晰容易。不过从PyHanLP的预测输出概率值来看，不太像是取了对数相加得到的，因为都是0-1之间的数值，这一看就是概率值。