基于朴素贝叶斯算法对新闻文本进行分类

目录

朴素贝叶斯算法​编辑

朴素贝叶斯的三种方式 

 实战——对新闻文本进行文本分类

---

朴素贝叶斯算法

 贝叶斯定理

贝叶斯定理（Bayes Theorem）也称贝叶斯公式，是关于随机 事件的条件概率的定理 定理内容： 如果随机事件A1 ,A2 ,...,An构成样本空间的一个划分（不重、不 漏），且都有正概率，则 对任何一个事件B（P(B)>0），有

 提示： 贝叶斯定理是“由果溯因”的推断，所以计算的是"后验概率"

 举例说明：

据天气预报预测，今日下雨(事件A)的概率为50%——P(A)；

堵车（事件B）的概率是80%——P（B）

如果下雨，堵车的概率是95%——P(B|A)

计算：如果放眼望去，已经堵车了，下雨的概率是多少？

根据贝叶斯定理：P(A|B)=0.5x0.95÷0.8=0.59375

 朴素贝叶斯算法原理

重要前提条件： 一定要“朴素”—— 样本的各特征之间相互独立

 对于待分类样本，在此待分类样本出现的条件下（也就是样本 各个特征已知），计算 各个类别出现的概率，哪个最大就认为此样本属于哪个类别。

详细过程

• 1 设x={a1 ,a2 1 ,...,am}为一个待分类项，而每个a为x的一个特征属性
• 2 有类别集合C={y1 ,y2 2 ,...,yn}
• 3 计算P(y1|x)，P(y2|x)，...，P(yn|x)
• 4 如果P(yk|x)=max{P(y1|x)，P(y2|x)，...，P(yn|x)}，则x∈yk 4

对于第三步的详细计算：

朴素贝叶斯的三种方式 

 三种朴素贝叶斯的适用条件

• 伯努利朴素贝叶斯

        适用于离散变量，条件是各个特征是服从伯努利分布（0-1分 布），每一个特征的取值 只能有两种值。在scikit-learn中，使用 sklearn.naive_bayes.BernoulliNB实现伯努利朴素 贝叶斯。

• 高斯朴素贝叶斯

        适用于连续变量，条件是各个特征是服从正态分布的。在scikitlearn中，使用 sklearn.naive_bayes.GaussianNB实现高斯朴素贝叶斯。

• 多项式朴素贝叶斯

        适用于离散变量，条件是各个特征是服从多项式分布的，所以每 个特征值不能是负数。 在scikit-learn中，使用sklearn.naive_bayes.MultinomialNB实 现多项式朴素贝叶斯。

 补充： 多项式分布来源于统计学中的多项式实验：实验包括n次重 复试验，每项试验都有不同的可能结果。在任何给定的试验 中，特定结果发生的概率是不变的

 实战——对新闻文本进行文本分类

 文本特征向量化

• 使用朴素贝叶斯模型去给文本数据分类，就必须对文本数据进行 文本特征向量化
• 本节课使用CountVectorizer进行文本特征向量化
• CountVectorizer会统计特定文档中单词出现的次数（统计词 频）
• CountVectorizer通过fit_transform()函数计算各个词语出现 的次数

 加载新闻数据、文本分类

• 本案例使用sklearn.datasets.fetch_20newsgroups函数下载新 闻数据（比较耗时）
• 使用sklearn.naive_bayes.MultinomialNB进行文本分类

from sklearn.datasets import fetch_20newsgroups  # 从sklearn.datasets里导入新闻数据抓取器 fetch_20newsgroups
from sklearn.model_selection import  train_test_split
from sklearn.feature_extraction.text import CountVectorizer  # 从sklearn.feature_extraction.text里导入文本特征向量化模块
from sklearn.naive_bayes import MultinomialNB  

news = fetch_20newsgroups(subset='all')   # 下载新闻数据，比较耗时
len(news.data)  # 输出数据的条数：18846

# 拆分数据集
X_train,X_test,y_train,y_test = train_test_split(news.data,news.target,test_size=0.25,random_state=666)
# 文本特征向量化
vec = CountVectorizer()  # 通过统计词频进行文本向量化
X_train = vec.fit_transform(X_train)
X_test = vec.transform(X_test)

# 使用多项式朴素贝叶斯进行文本分类
mnb = MultinomialNB()
mnb.fit(X_train,y_train)
mnb.score(X_test,y_test)  # 测试集上的准确率