垃圾邮件分类 python_机器学习实战1：朴素贝叶斯模型:文本分类+垃圾邮件分类...

学习了那么多机器学习模型，一切都是为了实践，动手自己写写这些模型的实现对自己很有帮助的，坚持，共勉。本文主要致力于总结贝叶斯实战中程序代码的实现(python)及朴素贝叶斯模型原理的总结。python的numpy包简化了很多计算，另外本人推荐使用pandas做数据统计。

一 引言

让你猜测一个身高2.16的人的职业，你一般会猜测他是篮球运动员。这个原理就是朴素贝叶斯原理，因为篮球运动员大多身高很高，所以这个人具有篮球运动员的条件，则猜测他是篮球运动员。

同理，另一个升高1.58的人，你应该不会猜他是篮球运动员。

二 理论

条件贝叶斯公式：p(Ci | x,y)=p(x,y | Ci)*p(Ci) / p(x,y)

计算每个类别的概率，若p(C1 | x,y) > p(~C1 | x,y), 则类别属于类C1，否则不属于类C1。

程序中在模型训练的时候，只需要先在训练样本中计算好先验概率 p(Ci)和 条件概率 p(x,y | Ci)即可，因为p(x,y)不随Ci变化，不影响p(Ci | x,y)的最好大小。

注：条件贝叶斯是保证条件之间独立的(文档分类中是假设一个词汇出现与其他词汇是否出现无关，然而同一主题的词汇一起出现的概率很高，存在关联)，所以这个假设过于简单；尽管如此，然而事实表明，朴素贝叶斯的效果还很好。

三 实战1 -文本分类(应用过滤恶意留言等)

下面是二分类问题，文档只能属于0和1两个类别，

1 载入数据集：6条文本及它们各自的类别，这6条文本作为训练集。

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 is abusive, 0notreturn postingList,classVec

2 创建词汇表：利用集合结构内元素的唯一性，创建一个包含所有词汇的词表。

def createVocabList(dataSet):

vocabSet= set([]) #create empty set

for document indataSet:

vocabSet= vocabSet | set(document) #union of the two setsreturn list(vocabSet)

3 把输入文本根据词表转化为计算机可处理的01向量形式：

eq，测试文本1： ['love', 'my', 'dalmation']

词汇表：['cute', 'love', 'help', 'garbage', 'quit', 'I', 'problems', 'is', 'park', 'stop', 'flea', 'dalmation', 'licks', 'food', 'not', 'him', 'buying', 'posting', 'has', 'worthless', 'ate', 'to', 'maybe', 'please', 'dog', 'how', 'stupid', 'so', 'take', 'mr', 'steak', 'my']

向量化结果：[0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1]

def setOfWords2Vec(vocabList, inputSet):

returnVec= [0]*len(vocabList)for word ininputSet:if word invocabList:

returnVec[vocabList.index(word)]= 1

else: print "the word: %s is not in my Vocabulary!" %wordreturn returnVec

4训练模型：在训练样本中计算先验概率 p(Ci) 和 条件概率 p(x,y | Ci)，本实例有0和1两个类别，所以返回p(x,y | 0)，p(x,y | 1)和p(Ci)。

此处有两个改进的地方：

(1)若有的类别没有出现，其概率就是0，会十分影响分类器的性能。所以采取各类别默认1次累加，总类别(两类)次数2，这样不影响相对大小。

(2)若很小是数字相乘，则结果会更小，再四舍五入存在误差，而且会造成下溢出。采取取log，乘法变为加法，并且相对大小趋势不变。

def trainNB0(trainMatrix,trainCategory):numTrainDocs=len(trainMatrix)numWords= len(trainMatrix[0])

pAbusive= sum(trainCategory)/float(numTrainDocs)

p0Num= ones(numWords); p1Num =ones(numWords) #change to ones()

p0Denom= 2.0; p1Denom = 2.0 #change to 2.0

for i inrange(numTrainDocs):if trainCategory[i] == 1:

p1Num+=trainMatrix[i]p1Denom+=sum(trainMatrix[i])else:

p0Num+=trainMatrix[i]p0Denom+=sum(trainMatrix[i])p1Vect= log(p1Num/p1Denom) #change to log()

p0Vect= log(p0Num/p0Denom) #change to log()return p0Vect,p1Vect,pAbusive

5 分类：根据计算后，哪个类别的概率大，则属于哪个类别。

def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):p1= sum(vec2Classify * p1Vec) + log(pClass1) #element-wise mult

p0= sum(vec2Classify * p0Vec) + log(1.0 -pClass1)if p1 >p0:return 1

else:return 0

6 测试函数：

加载数据集+提炼词表；

训练模型：根据六条训练集计算先验概率和条件概率；

测试模型：对训练两条测试文本进行分类。

def testingNB():

listOPosts,listClasses=loadDataSet()

myVocabList=createVocabList(listOPosts)

trainMat=[]for postinDoc inlistOPosts:

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)

缺点：词表只能记录词汇是否出现，不能体现这个词汇出现的次数。改进方法：采用词袋模型，见下面垃圾邮件分类实战。

四 实战2-垃圾邮件分类

1 对邮件的文本划分成词汇，长度小于2的默认为不是词汇，过滤掉即可。返回一串小写的拆分后的邮件信息。

def textParse(bigString): #input is big string, #output isword list

import re

listOfTokens= re.split(r'\W*', bigString)return [tok.lower() for tok in listOfTokens if len(tok) > 2]

2 文档词袋模型：使用数组代替集合数据结构，可以保存词汇频率信息。

def bagOfWords2VecMN(vocabList, inputSet):

returnVec= [0]*len(vocabList)for word ininputSet:if word invocabList:

returnVec[vocabList.index(word)]+= 1

return returnVec

3 输入为25封正常邮件和25封垃圾邮件。50封邮件中随机选取10封作为测试样本，剩余40封作为训练样本。

训练模型：40封训练样本，训练出先验概率和条件概率；

测试模型：遍历10个测试样本，计算垃圾邮件分类的正确率。

def spamTest():

docList=[]; classList = []; fullText =[]for i in range(1,26):

wordList= textParse(open('email/spam/%d.txt' %i).read())

# print wordList

docList.append(wordList)

fullText.extend(wordList)

classList.append(1)

wordList= textParse(open('email/ham/%d.txt' %i).read())

docList.append(wordList)

fullText.extend(wordList)

classList.append(0)

vocabList=createVocabList(docList)#create vocabulary

trainingSet= range(50); testSet=[] #create test set

for i in range(10):

randIndex= int(random.uniform(0,len(trainingSet)))

testSet.append(trainingSet[randIndex])

del(trainingSet[randIndex])

trainMat=[]; trainClasses =[]for docIndex in trainingSet:#train the classifier (getprobs) trainNB0

trainMat.append(bagOfWords2VecMN(vocabList, docList[docIndex]))

trainClasses.append(classList[docIndex])

p0V,p1V,pSpam=trainNB0(array(trainMat),array(trainClasses))

errorCount= 0

for docIndex intestSet: #classify the remaining items

wordVector=bagOfWords2VecMN(vocabList, docList[docIndex])if classifyNB(array(wordVector),p0V,p1V,pSpam) !=classList[docIndex]:

errorCount+= 1print"classification error",docList[docIndex]

print'the error rate is:',float(errorCount)/len(testSet)

#return vocabList,fullText

五 小结

上面我处理的样本的属性值都是分类型的，然而数值型的朴素贝叶斯能处理吗？

1 朴素贝叶斯处理数值型数据的方法：

(1) 区间离散化，设阈值，分段。

(2) 高斯化：求出概率密度函数，假设变量服从正态分布，根据已有变量统计均值和方差，

得出概率密度函数，这样就解决了计算连续值作为分类的条件概率值。

参考：http://blog.mythsman.com/?p=2683

2 除0问题：

Laplace校准 所有计算均加一，总类别数目加n；

3 下溢出：很小的值相乘，四舍五入误差

采用log 乘法变相加；

4移除停用词：也可以提高文本分类的性能

参考：书 Peter