我的基于多项式朴素贝叶斯实现垃圾短信识别实验

基于多项式朴素贝叶斯实现垃圾短信识别

一、实验内容

使用贝叶斯网络模型基于短信数据集实现垃圾短信识别。

二、实验目标

  • 掌握贝叶斯网络模型
  • 熟悉将文本转换为可处理向量的方法
  • 熟练使用分词框架jieba分词相关API
  • 熟悉数据集划分方法K折交叉验证

三、实验环境

  • 操作系统:Ubuntu16
  • 工具软件:jupyter notebook、Python 3.6.13
  • 硬件环境:无特殊要求
  • 核心库:
    • jieba 0.42.1
    • pandas 1.1.5
    • numpy 1.19.4
    • scikit-learn 0.24.2

四、实验原理

1 贝叶斯网络

贝叶斯方法源域它生前为解决一个“逆概”问题写的一篇文章。其要解决的问题:

正向概率:假设袋子里面有N个白球,M个黑球,你伸手进去摸一把,摸出黑球的概率是多大

逆向概率:如果我们事先不知道袋子里面黑白球的比例,而是闭着眼睛摸出一个(或者好几个)球,观察这些取出来的球的颜色之后,那么我们可以就此对袋子里面的黑白球的比例做出什么样的推测。

那么什么是贝叶斯呢?

  • 现实世界本身就是不确定的,人类的观察能力是有局限性的
  • 我们日常观察到的只是事物表明上的结果,因此我们需要提供一个猜测

NaiveBayes算法,又称朴素贝叶斯算法。朴素:特征条件独立;贝叶斯:基于贝叶斯定理。属于监督学习的生成模型,实现监督,没有迭代,并有坚实的数学理论(即贝叶斯定理)作为支撑。在大量样本下会有较好的表现,不适用于输入向量的特征条件有关联的场景。

朴素贝叶斯会单独考量每一维独立特征被分类的条件概率,进而综合这些概率并对其所在的特征向量做出分类预测。因此,朴素贝叶斯的基本数据假设是:各个维度上的特征被分类的条件概率之间是相互独立的。它经常被用于文本分类中,包括互联网新闻的分类,垃圾邮件的筛选。

朴素贝叶斯的思想基础是这样的:对于给出的待分类项,求解在此项出现的条件下各个类别出现的概率,哪个最大,即认为此待分类项属于哪个类别。

三种常见的贝叶斯网络
  • 多项式模型(MultinomialNB)
    • 多项式朴素贝叶斯常用语文本分类,特征是单词,值时单词出现的次数。
    • from sklearn.naive_bayes import MultinomialNB
  • 高斯模型(GaussianNB)
    • 当特征是连续变量的时候,假设特征分布为正态分布,根据样本算出均值和方差,再求得概率。
    • from sklearn.naive_bayes import GaussianNB
  • 伯努利模型(BernoulliNB)
    • 伯努利模型适用于离散特征的情况,伯努利模型中每个特征的取值只能是1和0。

2 结巴分词

"结巴"中文分词:做最好的Python中文分词组件 “Jieba”

  • git地址 https://github.com/rainforest32/jieba
  • 安装 pip install jieba
特征
  • 支持三种分词模式:
    • 精确模式,试图将句子最精确地切开,适合文本分析;
    • 全模式,把句子中所有的可以成词的词语都扫描出来, 速度非常快,但是不能解决歧义;
    • 搜索引擎模式,在精确模式的基础上,对长词再次切分,提高召回率,适合用于搜索引擎分词。
  • 支持繁体分词
  • 支持自定义词典
功能分词
  • jieba.cut 方法接受两个输入参数: 1) 第一个参数为需要分词的字符串; 2)cut_all参数用来控制是否采用全模式
  • jieba.cut_for_search 方法接受一个参数:需要分词的字符串,该方法适合用于搜索引擎构建倒排索引的分词,粒度比较细
  • 注意:待分词的字符串可以是gbk字符串、utf-8字符串或者unicode
  • jieba.cut 以及 jieba.cut_for_search 返回的结构都是一个可迭代的 generator,可以使用 for 循环来获得分词后得到的每一个词语(unicode),也可以用 list(jieba.cut(…)) 转化为 list

代码示例

#encoding=utf-8
import jieba

seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
print "Full Mode:", "/ ".join(seg_list) # 全模式

seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
print "Default Mode:", "/ ".join(seg_list) # 精确模式

seg_list = jieba.cut("他来到了网易杭研大厦") 
print ", ".join(seg_list) # 默认是精确模式

seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所,后在日本京都大学深造")
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值