朴素贝叶斯分类之垃圾短信识别
在上一篇文章中我们使用最邻近算法knn实现医学中乳腺癌的判别，本文继续探讨分类算法，该算法是朴素贝叶斯分类算法，它有着非常多的优点，具体表现在简单、快速、有效，对噪声数据和缺失数据不敏感，而且还可以得到分类结果的概率值。
算法思想
该算法根据训练数据集的取值计算已知分类的各种概率，在完成学习的过程后，如果将一个未分类的样本带入到算法中，分类器根据样本的特征计算概率并将其判为应该属于的类。
贝叶斯条件概率
上文中提到的概率都是基于贝叶斯条件概率公式计算所得，具体公式如下：
该公式表示，已知事件B发生的条件下，事件A发生的概率。举个例子说，已知某人吸烟的情况下，其可能得肺癌的概率就可以根据该公式计算所得。
这里需要注意的是，贝叶斯条件概率计算的是某事件发生的概率，所以对原始数据有一个潜在的假设，即变量值尽可能的离散化（成为独立的事件），如果变量值是大量的连续数据，算法可能得到不理想的分类结果。
应用--垃圾短信识别
接下来将使用该算法实现垃圾短信的识别，垃圾短信的识别又将涉及到文本文字的处理，数据来源于http://www.dt.fee.unicamp.br/~tiago/smsspamcollection/。
一、读取数据
sms_rawdata <- read.csv(file = file.choose(), header = TRUE, stringsAsFactors = FALSE)
#查看数据前6行
head(sms_rawdata)
#查看数据概要
str(sms_rawdata)
由于短信的类型是分类变量，这里进一步将其处理为因子
sms_rawdata$type <- factor(sms_rawdata$type)
#查看短信类型的数量
table(sms_rawdata$type)
prop.table(table(sms_rawdata$type))
垃圾短信有747条，占了13.4%的比重。
二、文本处理
在文本分析之前需要使用tm包将文本处理干净，主要是文本信息中含有的一些没有意义的内容，如标点符号、数字、停止词等。
#下载并加载tm包
if(!suppressWarnings(require('tm'))){
install.packages('tm')
require('tm')
}
#首先将文本数据导入为语料库(Corpus函数)
sms_corpus <- Corpus(VectorSource(sms_rawdata$text))
#查看语料库
sms_corpus
发现语料库中包含5558个文件即短信。
使用tm_map函数将没有意义的信息剔除
#所有单词转化为小写
sms_clean <- tm_map(sms_corpus,content_transformer(tolower))
#剔除所有标点符号
sms_clean <- tm_map(sms_clean,removePunctuation)
#剔除所有数字
sms_clean <- tm_map(sms_clean,removeNumbers)
#剔除所有停止词，如a/the等，使用tm包自带的停止词
sms_clean <- tm_map(sms_clean,removeWords,stopwords())
#剔除所有空格
sms_clean <- tm_map(sms_clean,stripWhitespace)
创建符合贝叶斯算法的数据集（文档词条矩阵），矩阵的行表示短信条数，矩阵的列表示单词。
sms_dtm <- DocumentTermMatrix(x = sms_clean)
sms_dtm
该文档词条矩阵包含了8300多列，超过了短信的条数，这将导致算法无法准确分类，为了减少矩阵的列数，我们将剔除同一个单词出现在少于5条短信的单词。这里的5表示总短信条数的0.1%。
#将文档词条矩阵转化为数据框
sms_dtm2 <- as.data.frame(inspect(sms_dtm))
sms_dtm2 <- sms_dtm2[,findFreqTerms(sms_dtm,5)]
dim(sms_dtm2)
[1] 5558 1542
#现在还剩1542列
三、文本探索
在建模之前，我们对文本进行一个初步的探索--词云
#下载并加载wordcloud包
if(!suppressWarnings(require('wordcloud'))){
install.packages('wordcloud')
require('wordcloud')
}
#绘制文字云
par(bg='black')
wordcloud(words = sms_clean, min.freq = 50, scale = c(2.5,0.5),colors=rainbow(10))
四、建模
由于文档词条矩阵中的数值表示某个单词出现在一条短信中的次数，所以需要将连续数值离散化，这里将大于等于1的值用YES表示，否则用NO表示。
#构建离散化的自定义函数
numtochar <- function(x){
ifelse(x >= 1, 'YES', 'NO')
}
#将自定义函数应用到数据框中的每一列
sms_dtm2 <- sapply(sms_dtm2, numtochar)
#创建训练集和测试集
set.seed(1234)
index <- sample(1:2, size = nrow(sms_rawdata), replace = TRUE, prob = c(0.7,0.3))
train_data <- sms_dtm2[index == 1,]
train_Y <- sms_rawdata[index == 1, 1]
test_data <- sms_dtm2[index == 2,]
test_Y <- sms_rawdata[index == 2, 1]
五、函数简介
接下来使用klaR包中的NaiveBayes()函数实现贝叶斯分类算法，NaiveBayes()函数的语法和参数如下：
NaiveBayes(formula, data, ..., subset, na.action = na.pass)
NaiveBayes(x, grouping, prior, usekernel = FALSE, fL = 0, ...)
formula指定参与模型计算的变量，以公式形式给出，类似于y=x1+x2+x3；
data用于指定需要分析的数据对象；
na.action指定缺失值的处理方法，默认情况下不将缺失值纳入模型计算，也不会发生报错信息，当设为“na.omit”时则会删除含有缺失值的样本；
x指定需要处理的数据，可以是数据框形式，也可以是矩阵形式；
grouping为每个观测样本指定所属类别；
prior可为各个类别指定先验概率，默认情况下用各个类别的样本比例作为先验概率；
usekernel指定密度估计的方法（在无法判断数据的分布时，采用密度密度估计方法），默认情况下使用标准的密度估计，设为TRUE时，则使用核密度估计方法；
fL指定是否进行拉普拉斯修正，默认情况下不对数据进行修正，当数据量较小时，可以设置该参数为1，即进行拉普拉斯修正。
#下载并加载klaR包
if(!suppressWarnings(require('klaR'))){
install.packages('klaR')
require('klaR')
}
#使用训练集建模
model <- NaiveBayes(x = train_data, grouping = train_Y, fL = 1)
#使用测试集对模型的准确性进行鉴定
pre <- predict(model, newdata = test_data)
Freq <- table(pre$class, test_Y)
Freq
accuracy <- sum(diag(Freq))/sum(Freq)
accuracy
模型的准确率近98%。
本文不足之处主要是没能够使用中文短信作为案例，如果条件允许，能够搜集到大量的中文短信或邮件，我还是想再走一遍流程。关于中文文本的分析，会多一个分词的步骤，其余基本上和英文文本分析步骤一致。
下载链接
文中的数据和脚本可到如下链接中下载：
http://yunpan.cn/c3EbuNdFzsvN4 访问密码 6c39
总结：文章使用到的R包和函数
read.csv()
table()
prop.table()
sapply()
tm包
Corpus()
tm_map()
DocumentTermMatrix()
inspect()
findFreqTerms()
wordcloud包
wordcloud()
klaR包
NaiveBayes()
predict()