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")