《机器学习实战》学习笔记（三）之朴素贝叶斯（下）过滤垃圾邮件、获取区域倾向、搜狗新闻分类 (sklearn)

最新推荐文章于 2024-07-29 16:58:38 发布

原创最新推荐文章于 2024-07-29 16:58:38 发布 · 2.4k 阅读

12 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #过滤垃圾邮件 #新闻分类 #朴素贝叶斯算法 #python

机器学习实战专栏收录该内容

20 篇文章

订阅专栏

本文介绍如何使用朴素贝叶斯算法进行垃圾邮件过滤、个人广告区域倾向分析及新闻分类，并探讨其优缺点。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

转载请注明作者和出处：http://blog.youkuaiyun.com/john_bh/
运行平台： Windows
Python版本： Python3.6
IDE： Sublime text3

一前言
二使用朴素贝叶斯算法过滤垃圾邮件
- 1 准备数据切分文本
- 2 测试算法使用朴素贝叶斯进行交叉验证
三使用朴素贝叶斯分类器从个人广告中区域倾向
四使用朴素贝叶斯算法进行搜狗新闻分类 sklearn
- 1 项目思路
- 2 使用Sklearn构建朴素贝叶斯分类器
五总结

一、前言

上篇文章讲解了朴素贝叶斯的基础理论，并且通过使用朴素贝叶斯进行文档分类的实例进行了实战演示，那么，接下来这文章基于上篇文章的基础，进行讲解三个实例：使用朴素贝叶斯算法过滤垃圾邮件、使用朴素贝叶斯分类器从个人广告中获取区域倾向、使用朴素贝叶斯算法进行新浪新闻分类 (sklearn)。

二、使用朴素贝叶斯算法过滤垃圾邮件

在上篇文章那个简单的例子中，我们引入了字符串列表。使用朴素贝叶斯解决一些现实生活中的问题时，需要先从文本内容得到字符串列表，然后生成词向量。下面这个例子中，我们将了解朴素贝叶斯的一个最著名的应用：电子邮件垃圾过滤。

使用朴素贝叶斯对电子邮件进行分类的步骤：

收集数据：提供文本文件。
准备数据：将文本文件解析成词条向量。
分析数据：检查词条确保解析的正确性。
训练算法：使用我们之前建立的trainNB0()函数。
测试算法：使用classifyNB()，并构建一个新的测试函数来计算文档集的错误率。
使用算法：构建一个完整的程序对一组文档进行分类，将错分的文档输出到屏幕上。

2.1 准备数据：切分文本

数据地址：
有两个文件夹ham和spam，spam文件下的txt文件为垃圾邮件。
上一篇文章介绍了如何创建词向量，并基于这些词向量进行朴素贝叶斯分类的过程。之前的词向量是预先给定的，这里我们将学习如何从文本文档中构建自己的词列表。
对于一个文本字符串，可使用python的string.split()方法将其切分，新建文件FilterEmail.py，编写代码如下：

# -*- coding: UTF-8 -*-
import re

"""
函数说明:创建实验样本
Parameters:
    无
Returns:
    docList - 整理的样本数据集
    classList - 类别标签
"""
def loadDataSet():
    docList = []; classList = []
    for i in range(1, 26):        #遍历25个txt文件
        wordList = textParse(open('email/spam/%d.txt' % i, 'r').read())  #读取每个垃圾邮件，并字符串转换成字符串列表
        docList.append(wordList)
        classList.append(1)     #标记垃圾邮件，1表示垃圾文件
        wordList = textParse(open('email/ham/%d.txt' % i, 'r').read())   #读取每个非垃圾邮件，并字符串转换成字符串列表
        docList.append(wordList)
        classList.append(0)     #标记非垃圾邮件，1表示垃圾文件  
    return docList,classList

"""
函数说明:接收一个大字符串并将其解析为字符串列表
Parameters:
    bigString - 整理的样本数据集
Returns:
    无
"""
def textParse(bigString):     #将字符串转换为字符列表
    listOfTokens = re.split(r'\W*', bigString)    #将特殊符号作为切分标志进行字符串切分，即非字母、非数字
    return [tok.lower() for tok in listOfTokens if len(tok) > 2]   #除了单个字母，例如大写的I，其它单词变成小写

"""
函数说明:将切分的实验样本词条整理成不重复的词条列表，也就是词汇表
Parameters:
    docList - 整理的样本数据集
Returns:
    vocabList - 返回不重复的词条列表，也就是词汇表
"""
def createVocabList(dataSet):
    vocabSet = set([])     #创建一个空的不重复列表
    for document in dataSet: 
        vocabSet = vocabSet | set(document) #取并集
    return list(vocabSet)

if __name__ == '__main__':
    docList,classList=loadDataSet()
    #print (docList)
    #print (classList)
    vocabList = createVocabList(docList)    #创建词汇表，不重复
    print(vocabList)

运行结果如下图2.1 所示：

图2.1 运行结果

2.2 测试算法：使用朴素贝叶斯进行交叉验证

# -*- coding: UTF-8 -*-
import re
import numpy as np
import random
"""
函数说明:创建实验样本
Parameters:
    无
Returns:
    docList - 整理的样本数据集
    classList - 类别标签
"""
def loadDataSet():
    docList = []; classList = [];fullText=[]
    for i in range(1, 26):        #遍历25个txt文件
        wordList = textParse(open('email/spam/%d.txt' % i, 'r').read())  #读取每个垃圾邮件，并字符串转换成字符串列表
        docList.append(wordList)
        fullText.extend(wordList)
        classList.append(1)     #标记垃圾邮件，1表示垃圾文件

        wordList = textParse(open('email/ham/%d.txt' % i, 'r').read())   #读取每个非垃圾邮件，并字符串转换成字符串列表
        docList.append(wordList)
        fullText.extend(wordList)
        classList.append(0)     #标记非垃圾邮件，1表示垃圾文件  
    return docList,classList,fullText

"""
函数说明:接收一个大字符串并将其解析为字符串列表
Parameters:
    bigString - 整理的样本数据集
Returns:
    无
"""
def textParse(bigString):     #将字符串转换为字符列表
    listOfTokens = re.split(r'\W*', bigString)    #将特殊符号作为切分标志进行字符串切分，即非字母、非数字
    return [tok.lower() for tok in listOfTokens if len(tok) > 2]   #除了单个字母，例如大写的I，其它单词变成小写

"""
函数说明:将切分的实验样本词条整理成不重复的词条列表，也就是词汇表
Parameters:
    docList - 整理的样本数据集
Returns:
    vocabList - 返回不重复的词条列表，也就是词汇表
"""
def createVocabList(dataSet):
    vocabSet = set([])     #创建一个空的不重复列表
    for document in dataSet: 
        vocabSet = vocabSet | set(document) #取并集
    return list(vocabSet)

"""
函数说明:根据vocabList词汇表，将inputSet向量化，向量的每个元素为1或0
Parameters:
    vocabList - createVocabList返回的列表
    inputSet - 切分的词条列表
Returns:
    returnVec - 文档向量,词集模型
"""
def setOfWords2Vec(vocabList,inputSet):
    returnVec = [0] * len(vocabList)    #创建一个和词汇表等长的向量，其中所含元素都为0
    for word in inputSet:    #遍历文档中的每个词条
        if word in vocabList:    #如果词条存在于词汇表中，则置1
            returnVec[vocabList.index(word)] = 1
        else:print("the word: %s is not in my Vocabulary!" % word)
    return returnVec     #返回词集模型

"""
函数说明:根据vocabList词汇表，构建词袋模型
Parameters:
    vocabList - createVocabList返回的列表
    inputSet - 切分的词条列表
Returns:
    returnVec - 文档向量,词袋模型
"""
def bagOfWords2Vec(vocabList,inputSet):
    returnVec = [0] * len(vocabList) #创建一个和词汇表等长的向量，其中所含元素都为0
    for word in inputSet:    #遍历文档中的每个词条
        if word in vocabList:    #如果词条存在于词汇表中，则计数加一
            returnVec[vocabList.index(word)]+=1
    return returnVec    #返回词袋模型

"""
函数说明:朴素贝叶斯分类器训练函数
Parameters:
    trainMatrix - 训练文档矩阵，即setOfWords2Vec返回的returnVec构成的矩阵
    trainCategory - 训练类别标签向量，即loadDataSet返回的classList
Returns:
    p0Vect - 垃圾邮件类的条件概率数组
    p1Vect - 非垃圾邮件类的条件概率数组
    pAbusive - 文档属于垃圾邮件类的概率
"""
def trainNB0(trainMatrix,trainCategory):
    numTrainDocs = len(trainMatrix)      #计算训练的文档数目
    numWords = len(trainMatrix[0])     #计算每篇文档的词条数
    pAbusive = sum(trainCategory)/float(numTrainDocs)     #文档属于垃圾邮件类的概率
    p0Num = np.ones(numWords)  #创建numpy.ones数组,词条出现数初始化为1，拉普拉斯平滑
    p1Num = np.ones(numWords)
    p0Denom = 2.0; p1Denom = 2.0   #分母初始化为2,拉普拉斯平滑

    for i in range(numTrainDocs):
        if trainCategory[i] == 1 :  #统计属于垃圾邮件类的条件概率所需的数据，即P(w0|1),P(w1|1),P(w2|1)···
            p1Num += trainMatrix[i]  
            p1Denom += sum(trainMatrix[i])  
        else:    #统计属于非垃圾邮件类的条件概率所需的数据，即P(w0|0),P(w1|0),P(w2|0)···
            p0Num += trainMatrix[i]  
            p0Denom += sum(trainMatrix[i])  
    p1Vect = np.log( p1Num/p1Denom ) #取对数，防止下溢出
    p0Vect = np.log( p0Num/p0Denom )
    return p0Vect,p1Vect,pAbusive    #返回属于垃圾邮件类的条件概率数组，属于非垃圾邮件类的条件概率数组，文档属于垃圾邮件类的概率

"""
函数说明:朴素贝叶斯分类器分类函数
Parameters:
    vec2Classify - 待分类的词条数组
    p0Vec - 垃圾邮件类的条件概率数组
    p1Vec -非垃圾邮件类的条件概率数组
    pClass1 - 文档属于垃圾邮件类的概率
Returns:
    0 - 属于非垃圾邮件类
    1 - 属于垃圾邮件类
"""
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
    p1 = sum(vec2Classify * p1Vec) + np.log(pClass1)  #对应元素相乘。logA * B = logA + logB，所以这里加上log(pClass1)
    p0 = sum(vec2Classify * p0Vec) + np.log(1.0 - pClass1)
    if p1 > p0:
        return 1
    else: 
        return 0

"""
函数说明:对贝叶斯垃圾邮件分类器进行自动化处理
Parameters:
    vec2Classify - 待分类的词条数组
    p0Vec - 垃圾邮件类的条件概率数组
    p1Vec -非垃圾邮件类的条件概率数组
    pClass1 - 文档属于垃圾邮件类的概率
Returns:
    0 - 属于非垃圾邮件类
    1 - 属于垃圾邮件类
"""
def spamTest():
    docList,classList,fullText=loadDataSet()
    vocabList = createVocabList(docList)
    trainingSet = list(range(50)); testSet = []       #创建存储训练集的索引值的列表和测试集的索引值的列表                       
    for i in range(10):        #从50个邮件中，随机挑选出40个作为训练集,10个做测试集
        randIndex = int(random.uniform(0, len(trainingSet)))      #随机选取索索引值
        testSet.append(trainingSet[randIndex])     #添加测试集的索引值
        del(trainingSet[randIndex])      #在训练集列表中删除添加到测试集的索引值
    trainMat = []; trainClasses = []       #创建训练集矩阵和训练集类别标签系向量             
    for docIndex in trainingSet:        #遍历训练集
        trainMat.append(setOfWords2Vec(vocabList, docList[docIndex]))       #将生成的词集模型添加到训练矩阵中
        trainClasses.append(classList[docIndex])     #将类别添加到训练集类别标签系向量中
    p0V, p1V, pSpam = trainNB0(np.array(trainMat), np.array(trainClasses))  #训练朴素贝叶斯模型
    errorCount = 0          #错误分类计数
    for docIndex in testSet:       #遍历测试集
        wordVector = setOfWords2Vec(vocabList, docList[docIndex])      #测试集的词集模型
        if classifyNB(np.array(wordVector), p0V, p1V, pSpam) != classList[docIndex]:    #如果分类错误
            errorCount += 1        #错误计数加1
            print("分类错误的测试集：",docList[docIndex])
    print('错误率：%.2f%%' % (float(errorCount) / len(testSet) * 100))

if __name__ == '__main__':
    docList,classList,fullText=loadDataSet()
    #print (docList)
    #print (classList)
    vocabList = createVocabList(docList)    #创建词汇表，不重复
    #print(vocabList)
    spamTest()

运行结果如下图2.2 所示：

图2.2 运行结果

函数是spamTest()对贝叶斯垃圾邮件分类器进行自动化处理，函数spamTest()会输出在10封随机选择的电子邮件上的分类错误概率。既然这些电子邮件是随机选择的，所以每次的输出结果可能有些差别。如果发现错误的话，函数会输出错误的文档的此表，这样就可以了解到底是哪篇文档发生了错误。如果想要更好地估计错误率，那么就应该将上述过程重复多次，比如说10次，然后求平均值。相比之下，将垃圾邮件误判为正常邮件要比将正常邮件归为垃圾邮件好。

三、使用朴素贝叶斯分类器从个人广告中区域倾向

使用朴素贝叶斯来发现地域相关的用词算法实现步骤：

收集数据：从RSS源收集内容，这里需要对RSS源构建一个接口
准备数据：将文本解析成词条向量
分析数据：检查词条确保解析的正确性
训练算法：使用之前创建的trainNB0（）函数
测试算法：观察错误率，确保分类器可用，可以修改切分程序，以降低错误率，提高分类结果
使用算法：构建一个完整的程序，封装所有内容，给定两个RSS源，该程序会显示最常用的公共词。

四、使用朴素贝叶斯算法进行搜狗新闻分类 (sklearn)

4.1 项目思路

一、读取文件，对文件进行处理：
    1.遍历每一个文件夹下的每一个文件，利用结巴分词，构造原始的特征数据集dataList和标签数据集classList
    2.通过zip压缩合并，将数据与标签对应压缩的到data_class_list数据集，并且打乱数据集的顺序
    3.切分训练数据集和测试数据集，得到80%的数据为训练数据集trainList和20%的数据为测试数据集testList
    4.训练集解压缩，得到训练特征数据集train_data_list,训练分类标签train_class_list  测试集解压缩，得到测试特征数据集test_data_list, 测试分类标签test_class_list 
    5.对训练集中的所有单词进行词频统计，并按降序排序。即将出现次数多的词语在前，出现次数少的词语在后进行排序。得到按词频降序排序的训练集列表all_words_list

二、选取文本特征
    all_words_list包含了很多标点符号，这些标点符号是不能作为新闻分类的特征的。
    至于去掉多少个高频词，我们可以通过观察去掉高频词个数和最终检测准确率的关系来确定。除此之外，去除数字，不把数字作为分类特征。同时，去除一些特定的词语，介词、代词、连词。
    通过方法words_dict（）得到一个文本的特征集合feature_words，可以称作是词集。

三、将文本向量化
    通过feature_words将文本向量化，通过方法得到向量化的训练向量文本train_feature_list和测试向量文本test_feature_list

四、利用朴素贝叶斯分类器对文本进行分类，这里我们使用的sklearn中的MultinomialNB（）进行分类

具体实现代码：

4.2 使用Sklearn构建朴素贝叶斯分类器

官方英文文档地址：http://scikit-learn.org/dev/modules/classes.html#module-sklearn.naive_bayes

这里写图片描述

在scikit-learn中，一共有3个朴素贝叶斯的分类算法类。分别是GaussianNB，MultinomialNB和BernoulliNB。其中GaussianNB就是先验为高斯分布的朴素贝叶斯，MultinomialNB就是先验为多项式分布的朴素贝叶斯，BernoulliNB就是先验为伯努利分布的朴素贝叶斯。

对于新闻分类，属于多分类问题。我们可以使用MultinamialNB()完成我们的新闻分类问题。MultinomialNB假设特征的先验概率为多项式分布，即如下式

P (X j = X j l | Y = C k) = X j l + λ m k + n λ (61)

$P(X_j = X_{jl} | Y = C_k)=\frac {X_{jl}+\lambda}{m_k+n\lambda}$

其中， $P(X_j = X_{jl} | Y = C_k)$ 是第k个类别的第j维特征的第l个取值条件概率。 $m_k$ 是训练集中输出为第k类的样本个数。λ为一个大于0的常数，尝尝取值为1，即拉普拉斯平滑，也可以取其他值。

接下来，我们看下MultinamialNB这个函数，只有3个参数
这里写图片描述
参数说明如下：

alpha：浮点型可选参数，默认为1.0，其实就是添加拉普拉斯平滑，即为上述公式中的λ ，如果这个参数设置为0，就是不添加平滑；
fit_prior：布尔型可选参数，默认为True。布尔参数fit_prior表示是否要考虑先验概率，如果是false,则所有的样本类别输出都有相同的类别先验概率。否则可以自己用第三个参数class_prior输入先验概率，或者不输入第三个参数class_prior让MultinomialNB自己从训练集样本来计算先验概率，此时的先验概率为 $P(Y=C_k)=m_k/m$ 。其中m为训练集样本总数量，mk为输出为第k类别的训练集样本数。
class_prior：可选参数，默认为None。

除此之外，MultinamialNB也有一些方法供我们使用：
这里写图片描述
MultinomialNB一个重要的功能是有partial_fit方法，这个方法的一般用在如果训练集数据量非常大，一次不能全部载入内存的时候。这时我们可以把训练集分成若干等分，重复调用partial_fit来一步步的学习训练集，非常方便。

GaussianNB和BernoulliNB也有类似的功能。在使用MultinomialNB的fit方法或者partial_fit方法拟合数据后，我们可以进行预测。此时预测有三种方法，包括predict，predict_log_proba和predict_proba。predict方法就是我们最常用的预测方法，直接给出测试集的预测类别输出。predict_proba则不同，它会给出测试集样本在各个类别上预测的概率。容易理解，predict_proba预测出的各个类别概率里的最大值对应的类别，也就是predict方法得到类别。predict_log_proba和predict_proba类似，它会给出测试集样本在各个类别上预测的概率的一个对数转化。转化后predict_log_proba预测出的各个类别对数概率里的最大值对应的类别，也就是predict方法得到类别。