文章目录
朴素贝叶斯算法
朴素贝叶斯算法介绍
概率数学基础复习
- 条件概率 : 事件A在另外一个事件B已经发生条件下的发生概率 P(A|B)
- 联合概率 : 表示多个条件哦同时成立的概率 P(AB) = P(A) * P(B|A) = P(B) * P(A|B)
朴素贝叶斯算法-利用概率值进行分类的一种机器学习算法
贝叶斯公式
-
贝叶斯公式
- P© 表示c出现的概率
- p(W|C) 表示C条件下W出现的概率
- P(W) 表示 W 出现的概率
-
例子: 判断女神对你的喜欢情况
P(C | W) = P(喜欢 | (程序员，超重))
P(W | C) = P((程序员，超重) | 喜欢)
P© = P(喜欢)
P(W) = P(程序员，超重)
- 根据训练样本估计先验概率P©：
- P© = P(喜欢) = 4/7
- 根据条件概率P(W | C)调整先验概率：
- P(W | C) = P((程序员,超重) | 喜欢) = 1/4
- ''此时我们的后验概率
- P(W | C) * P©为：P(W | C) * P© = P((程序员,超重) | 喜欢) * P(喜欢) = 4/7 * 1/4 = 1/7
- 那么该部分数据占所有既为程序员，又超重的人中的比例是多少呢？
- P(W) = P(程序员,超重) = P(程序员) * P(超重 | 程序员) = 3/7 * 2/3 = 2/7
朴素贝叶斯算法
朴素贝叶斯在贝叶斯基础上增加：特征条件独立假设，即：特征之间是互为独立的。
此时，联合概率的计算即可简化为：
P(程序员,超重|喜欢) = P(程序员|喜欢) * P(超重|喜欢)
P(程序员,超重) = P(程序员) * P(超重)
拉普拉斯平滑系数
- 为了避免概率值为 0，我们在分子和分母分别加上一个数值，这就是拉普拉斯平滑系数的作用
- α 是拉普拉斯平滑系数，一般指定为 1
- Ni 是 F1 中符合条件 C 的样本数量
- N 是在条件 C 下所有样本的总数
- m 表示所有独立样本的总数
朴素贝叶斯API
python
sklearn.naive_bayes.MultinomialNB(alpha = 1.0）- 朴素贝叶斯分类
- alpha 拉普拉斯平滑系数
案例
- 需求 已知商品评论数据，根据数据进行情感分类（好评、差评）
分析流程
python
# 1 获取数据
# 2 数据基本处理
# 2-1 处理数据y
# 2-2 加载停用词
# 2-3 处理数据x 把文档分词
# 2-4 统计词频矩阵 作为句子特征
# 2-5 准备训练集测试集
# 3 模型训练
# 4-1 实例化贝叶斯 添加拉普拉斯平滑参数
# 4 模型预测
# 5 模型评估数据集
用.csv方式保存数据集
,内容,评价
0, 从编程小白的角度看，入门极佳。,好评
1,很好的入门书，简洁全面，适合小白。,好评
2,讲解全面，许多小细节都有顾及，三个小项目受益匪浅。,好评
3,前半部分讲概念深入浅出，要言不烦，很赞,好评
4,看了一遍还是不会写，有个概念而已,差评
5,中规中矩的教科书，零基础的看了依旧看不懂,差评
6,内容太浅显，个人认为不适合有其它语言编程基础的人,差评
7,破书一本,差评
8,适合完完全全的小白读，有其他语言经验的可以去看别的书,差评
9,基础知识写的挺好的！,好评
10,太基础,差评
11,略_嗦。。适合完全没有编程经验的小白,差评
12,真的真的不建议买,差评
13,很好很好,好评
14,买买买,好评代码实现
python
import jieba
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt # 绘图
from sklearn.feature_extraction.text import CountVectorizer # 文本特征向量化
from sklearn.naive_bayes import MultinomialNB # 多项式贝叶斯分类器
def demo01():
data = pd.read_csv('../data/书籍评价.csv', encoding='gbk')
# 数据预处理
# data['评论标号'] = np.where(data['评价'] == '好评', 1, 0)
# y = data['评论标号']
y = data['评价']
# 加载停用词
stopwords = []
with open('../data/stopwords.txt', 'r', encoding='utf-8') as f:
lines = f.readlines()
for line in lines:
stopwords.append(line.strip())
stopwords = list(set(stopwords)) # 去重
# 处理数据 分词
comment_list = [','.join(jieba.lcut(line)) for line in data['内容']]
# 特征工程
transfer = CountVectorizer(stop_words=stopwords)
x = transfer.fit_transform(comment_list)
mynames = transfer.get_feature_names_out()
x = x.toarray()
print(mynames)
# 准备训练集测试集
x_train = x[:10, :]
y_train = y.values[:10]
x_test = x[10:, :]
y_test = y.values[10:]
# 模型训练
model = MultinomialNB().fit(x_train, y_train)
# 模型预测
y_predict = model.predict(x_test)
print('预测结果：\n', y_predict)
print('实际结果：\n', y_test)
print('准确率：\n', model.score(x_test, y_test))
if __name__ == '__main__':
demo01()运行结果
