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")