
樸素貝葉斯估計
樸素貝葉斯是基于貝葉斯定理與特征條件獨立分布假設的分類方法。首先根據(jù)特征條件獨立的假設學習輸入/輸出的聯(lián)合概率分布,然后基于此模型,對給定的輸入x,利用貝葉斯定理求出后驗概率最大的輸出y。
具體的,根據(jù)訓練數(shù)據(jù)集,學習先驗概率的極大似然估計分布
以及條件概率為
條件概率的極大似然估計為
根據(jù)貝葉斯定理
則由上式可以得到條件概率P(Y=ck|X=x)。
貝葉斯估計
用極大似然估計可能會出現(xiàn)所估計的概率為0的情況。后影響到后驗概率結果的計算,使分類產生偏差。采用如下方法解決。
條件概率的貝葉斯改
其中Sl表示第l個特征可能取值的個數(shù)。
同樣,先驗概率的貝葉斯估計改為
$$
P(Y=c_k) = \frac{\sum\limits_{i=1}^NI(y_i=c_k)+\lambda}{N+K\lambda}
$K$
表示Y的所有可能取值的個數(shù),即類型的個數(shù)。
具體意義是,給每種可能初始化出現(xiàn)次數(shù)為1,保證每種可能都出現(xiàn)過一次,來解決估計為0的情況。
樸素貝葉斯分類器可以給出一個最有結果的猜測值,并給出估計概率。通常用于文本分類。
分類核心思想為選擇概率最大的類別。貝葉斯公式如下:
詞條:將每個詞出現(xiàn)的次數(shù)作為特征。
假設每個特征相互獨立,即每個詞相互獨立,不相關。則
完整代碼如下;
import numpy as np
import re
import feedparser
import operator
def loadDataSet():
postingList=[['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'],
['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'],
['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him'],
['stop', 'posting', 'stupid', 'worthless', 'garbage'],
['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'],
['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']]
classVec = [0,1,0,1,0,1] #1 is abusive, 0 not
return postingList,classVec
def createVocabList(data): #創(chuàng)建詞向量
returnList = set([])
for subdata in data:
returnList = returnList | set(subdata)
return list(returnList)
def setofWords2Vec(vocabList,data): #將文本轉化為詞條
returnList = [0]*len(vocabList)
for vocab in data:
if vocab in vocabList:
returnList[vocabList.index(vocab)] += 1
return returnList
def trainNB0(trainMatrix,trainCategory): #訓練,得到分類概率
pAbusive = sum(trainCategory)/len(trainCategory)
p1num = np.ones(len(trainMatrix[0]))
p0num = np.ones(len(trainMatrix[0]))
p1Denom = 2
p0Denom = 2
for i in range(len(trainCategory)):
if trainCategory[i] == 1:
p1num = p1num + trainMatrix[i]
p1Denom = p1Denom + sum(trainMatrix[i])
else:
p0num = p0num + trainMatrix[i]
p0Denom = p0Denom + sum(trainMatrix[i])
p1Vect = np.log(p1num/p1Denom)
p0Vect = np.log(p0num/p0Denom)
return p0Vect,p1Vect,pAbusive
def classifyNB(vec2Classify,p0Vec,p1Vec,pClass1): #分類
p0 = sum(vec2Classify*p0Vec)+np.log(1-pClass1)
p1 = sum(vec2Classify*p1Vec)+np.log(pClass1)
if p1 > p0:
return 1
else:
return 0
def textParse(bigString): #文本解析
splitdata = re.split(r'\W+',bigString)
splitdata = [token.lower() for token in splitdata if len(token) > 2]
return splitdata
def spamTest():
docList = []
classList = []
for i in range(1,26):
with open('spam/%d.txt'%i) as f:
doc = f.read()
docList.append(doc)
classList.append(1)
with open('ham/%d.txt'%i) as f:
doc = f.read()
docList.append(doc)
classList.append(0)
vocalList = createVocabList(docList)
trainList = list(range(50))
testList = []
for i in range(13):
num = int(np.random.uniform(0,len(docList))-10)
testList.append(trainList[num])
del(trainList[num])
docMatrix = []
docClass = []
for i in trainList:
subVec = setofWords2Vec(vocalList,docList[i])
docMatrix.append(subVec)
docClass.append(classList[i])
p0v,p1v,pAb = trainNB0(docMatrix,docClass)
errorCount = 0
for i in testList:
subVec = setofWords2Vec(vocalList,docList[i])
if classList[i] != classifyNB(subVec,p0v,p1v,pAb):
errorCount += 1
return errorCount/len(testList)
def calcMostFreq(vocabList,fullText):
count = {}
for vocab in vocabList:
count[vocab] = fullText.count(vocab)
sortedFreq = sorted(count.items(),key=operator.itemgetter(1),reverse=True)
return sortedFreq[:30]
def localWords(feed1,feed0):
docList = []
classList = []
fullText = []
numList = min(len(feed1['entries']),len(feed0['entries']))
for i in range(numList):
doc1 = feed1['entries'][i]['summary']
docList.append(doc1)
classList.append(1)
fullText.extend(doc1)
doc0 = feed0['entries'][i]['summary']
docList.append(doc0)
classList.append(0)
fullText.extend(doc0)
vocabList = createVocabList(docList)
top30Words = calcMostFreq(vocabList,fullText)
for word in top30Words:
if word[0] in vocabList:
vocabList.remove(word[0])
trainingSet = list(range(2*numList))
testSet = []
for i in range(20):
randnum = int(np.random.uniform(0,len(trainingSet)-5))
testSet.append(trainingSet[randnum])
del(trainingSet[randnum])
trainMat = []
trainClass = []
for i in trainingSet:
trainClass.append(classList[i])
trainMat.append(setofWords2Vec(vocabList,docList[i]))
p0V,p1V,pSpam = trainNB0(trainMat,trainClass)
errCount = 0
for i in testSet:
testData = setofWords2Vec(vocabList,docList[i])
if classList[i] != classifyNB(testData,p0V,p1V,pSpam):
errCount += 1
return errCount/len(testData)
if __name__=="__main__":
ny = feedparser.parse('http://newyork.craigslist.org/stp/index.rss')
sf = feedparser.parse('http://sfbay.craigslist.org/stp/index.rss')
print(localWords(ny,sf))
編程技巧:
1.兩個集合的并集
vocab = vocab | set(document)
2.創(chuàng)建元素全為零的向量
vec = [0]*10
以上就是本文的全部內容,希望對大家的學習有所幫助
數(shù)據(jù)分析咨詢請掃描二維碼
若不方便掃碼,搜微信號:CDAshujufenxi
LSTM 模型輸入長度選擇技巧:提升序列建模效能的關鍵? 在循環(huán)神經網(wǎng)絡(RNN)家族中,長短期記憶網(wǎng)絡(LSTM)憑借其解決長序列 ...
2025-07-11CDA 數(shù)據(jù)分析師報考條件詳解與準備指南? ? 在數(shù)據(jù)驅動決策的時代浪潮下,CDA 數(shù)據(jù)分析師認證愈發(fā)受到矚目,成為眾多有志投身數(shù) ...
2025-07-11數(shù)據(jù)透視表中兩列相乘合計的實用指南? 在數(shù)據(jù)分析的日常工作中,數(shù)據(jù)透視表憑借其強大的數(shù)據(jù)匯總和分析功能,成為了 Excel 用戶 ...
2025-07-11尊敬的考生: 您好! 我們誠摯通知您,CDA Level I和 Level II考試大綱將于 2025年7月25日 實施重大更新。 此次更新旨在確保認 ...
2025-07-10BI 大數(shù)據(jù)分析師:連接數(shù)據(jù)與業(yè)務的價值轉化者? ? 在大數(shù)據(jù)與商業(yè)智能(Business Intelligence,簡稱 BI)深度融合的時代,BI ...
2025-07-10SQL 在預測分析中的應用:從數(shù)據(jù)查詢到趨勢預判? ? 在數(shù)據(jù)驅動決策的時代,預測分析作為挖掘數(shù)據(jù)潛在價值的核心手段,正被廣泛 ...
2025-07-10數(shù)據(jù)查詢結束后:分析師的收尾工作與價值深化? ? 在數(shù)據(jù)分析的全流程中,“query end”(查詢結束)并非工作的終點,而是將數(shù) ...
2025-07-10CDA 數(shù)據(jù)分析師考試:從報考到取證的全攻略? 在數(shù)字經濟蓬勃發(fā)展的今天,數(shù)據(jù)分析師已成為各行業(yè)爭搶的核心人才,而 CDA(Certi ...
2025-07-09【CDA干貨】單樣本趨勢性檢驗:捕捉數(shù)據(jù)背后的時間軌跡? 在數(shù)據(jù)分析的版圖中,單樣本趨勢性檢驗如同一位耐心的偵探,專注于從單 ...
2025-07-09year_month數(shù)據(jù)類型:時間維度的精準切片? ? 在數(shù)據(jù)的世界里,時間是最不可或缺的維度之一,而year_month數(shù)據(jù)類型就像一把精準 ...
2025-07-09CDA 備考干貨:Python 在數(shù)據(jù)分析中的核心應用與實戰(zhàn)技巧? ? 在 CDA 數(shù)據(jù)分析師認證考試中,Python 作為數(shù)據(jù)處理與分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 檢驗:數(shù)據(jù)趨勢與突變分析的有力工具? ? ? 在數(shù)據(jù)分析的廣袤領域中,準確捕捉數(shù)據(jù)的趨勢變化以及識別 ...
2025-07-08備戰(zhàn) CDA 數(shù)據(jù)分析師考試:需要多久?如何規(guī)劃? CDA(Certified Data Analyst)數(shù)據(jù)分析師認證作為國內權威的數(shù)據(jù)分析能力認證 ...
2025-07-08LSTM 輸出不確定的成因、影響與應對策略? 長短期記憶網(wǎng)絡(LSTM)作為循環(huán)神經網(wǎng)絡(RNN)的一種變體,憑借獨特的門控機制,在 ...
2025-07-07統(tǒng)計學方法在市場調研數(shù)據(jù)中的深度應用? 市場調研是企業(yè)洞察市場動態(tài)、了解消費者需求的重要途徑,而統(tǒng)計學方法則是市場調研數(shù) ...
2025-07-07CDA數(shù)據(jù)分析師證書考試全攻略? 在數(shù)字化浪潮席卷全球的當下,數(shù)據(jù)已成為企業(yè)決策、行業(yè)發(fā)展的核心驅動力,數(shù)據(jù)分析師也因此成為 ...
2025-07-07剖析 CDA 數(shù)據(jù)分析師考試題型:解鎖高效備考與答題策略? CDA(Certified Data Analyst)數(shù)據(jù)分析師考試作為衡量數(shù)據(jù)專業(yè)能力的 ...
2025-07-04SQL Server 字符串截取轉日期:解鎖數(shù)據(jù)處理的關鍵技能? 在數(shù)據(jù)處理與分析工作中,數(shù)據(jù)格式的規(guī)范性是保證后續(xù)分析準確性的基礎 ...
2025-07-04CDA 數(shù)據(jù)分析師視角:從數(shù)據(jù)迷霧中探尋商業(yè)真相? 在數(shù)字化浪潮席卷全球的今天,數(shù)據(jù)已成為企業(yè)決策的核心驅動力,CDA(Certifie ...
2025-07-04CDA 數(shù)據(jù)分析師:開啟數(shù)據(jù)職業(yè)發(fā)展新征程? ? 在數(shù)據(jù)成為核心生產要素的今天,數(shù)據(jù)分析師的職業(yè)價值愈發(fā)凸顯。CDA(Certified D ...
2025-07-03