在文本分类,垃圾邮件过滤的场景中,我们经常会用到的是朴素贝叶斯算法,今天小编就具体给大家介绍一下朴素贝叶斯算法
一、朴素贝叶斯算法简介
1.朴素贝叶斯算法概念
朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。朴素贝叶斯分类器(Naive Bayes Classifier,或 NBC)发源于古典数学理论,有着坚实的数学基础,以及稳定的分类效率。
2.朴素贝叶斯算法优缺点
优点:
(1)朴素贝叶斯模型发源于古典数学理论,分类效率比较稳定。
(2)对小规模的数据表现很好,能够用于多分类任务的处理,适合增量式训练,尤其是在数据量超出内存的情况下,能够一批批的去增量训练。
(3)算法简单,对缺失数据不太敏感。
缺点:
(1)理论上,朴素贝叶斯模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此,这是因为朴素贝叶斯模型假设属性之间是相互独立的,而这个假设在实际应用中往往并不成立的。虽然在属性相关性较小时,朴素贝叶斯性能良好。但是,在属性个数比较多或者属性之间相关性较大时,分类效果并不好。
(2)需要知道先验概率,并且先验概率在很多时候多是取决于假设,假设的模型可以有多种,从而导致在某些时候会由于假设的先验模型而使得预测效果不佳。
(3)因为是通过先验和数据来决定后验的概率来决定分类的,所以分类决策存在一定的错误率。
(4)对输入数据的表达形式很敏感。
二、贝叶斯定理
既然,朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。那么接下来我们就来了解一下贝叶斯定理。
贝叶斯算法是英国数学家贝叶斯(约1701-1761)Thomas Bayes,生前提出为解决“逆概”问题而提出的。
条件概率就是事件 A 在另外一个事件 B 已经发生条件下的发生概率。条件概率表示为P(A|B),读作“在 B 发生的条件下 A 发生的概率”。
联合概率表示两个事件共同发生(数学概念上的交集)的概率。A 与 B 的联合概率表示为
推导:
从条件概率的定义推导出贝叶斯定理。
根据条件概率的定义,在事件 B 发生的条件下事件 A 发生的概率为:
同样道理,在事件 A 发生的条件下事件 B 发生的概率为:
结合这两个方程式,能够得到:
这个引理有时称作概率乘法规则。上式两边同除以 P(A),若P(A)是非零的,就能得到贝叶斯定理:
# 文本分类器 import numpy as np # 数据样本 def loadDataSet(): # dataset = [['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'], # # ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'], # # ['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'hime'], # # ['stop', 'posting', 'stupid', 'worthless', 'garbage'], # # ['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'], # # ['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']] dataset = [['玩', '游', '戏', '吧'], ['玩', 'lol', '吧'], ['我', '要', '学', '习'], ['学', '习', '使', '我', '快', '了'], ['学', '习', '万', '岁'], ['我', '要', '玩', '耍']] label = [1, 1, 0, 0, 0, 1] return dataset, label # 获取文档中出现的不重复词表 def createVocabList(dataset): vocaset = set([]) # 用集合结构得到不重复词表 for document in dataset: vocaset = vocaset | set(document) # 两个集合的并集 return list(vocaset) def setword(listvocaset, inputSet): newVocaset = [0] * len(listvocaset) for data in inputSet: if data in listvocaset: newVocaset[listvocaset.index(data)] = 1 # 如果文档中的单词在列表中,则列表对应索引元素变为1 return newVocaset def train(listnewVocaset, label): label = np.array(label) numDocument = len(listnewVocaset) # 样本总数 numWord = len(listnewVocaset[0]) # 词表的大小 pInsult = np.sum(label) / float(numDocument) p0num = np.ones(numWord) # 非侮辱词汇 p1num = np.ones(numWord) # 侮辱词汇 p0Denom = 2.0 # 拉普拉斯平滑 p1Denom = 2.0 for i in range(numDocument): if label[i] == 1: p1num += listnewVocaset[i] p1Denom += 1 else: p0num += listnewVocaset[i] p0Denom += 1 # 取对数是为了防止因为小数连乘而造成向下溢出 p0 = np.log(p0num / p0Denom) # 属于非侮辱性文档的概率 p1 = np.log(p1num / p1Denom) # 属于侮辱性文档的概率 return p0, p1, pInsult # 分类函数 def classiyyNB(Inputdata, p0, p1, pInsult): # 因为取对数,因此连乘操作就变成了连续相加 p0vec = np.sum(Inputdata * p0) + np.log(pInsult) p1vec = np.sum(Inputdata * p1) + np.log(1.0 - pInsult) if p0vec > p1vec: return 0 else: return 1 def testingNB(): dataset, label = loadDataSet() voast = createVocabList(dataset) listnewVocaset = [] for listvocaset in dataset: listnewVocaset.append(setword(voast, listvocaset)) p0, p1, pInsult = train(listnewVocaset, label) Inputdata = ['玩', '一', '玩'] Inputdata = np.array(Inputdata) Inputdata = setword(voast, Inputdata) print("这句话对应的分类是:") print(classiyyNB(Inputdata, p0, p1, pInsult)) testingNB()
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
最近我发现一个绝招,用DeepSeek AI处理Excel数据简直太爽了!处理速度嘎嘎快! 平常一整天的表格处理工作,现在只要三步就能搞 ...
2025-04-01你是否被统计学复杂的理论和晦涩的公式劝退过?别担心,“山有木兮:统计学极简入门(Python)” 将为你一一化解这些难题。课程 ...
2025-03-31在电商、零售、甚至内容付费业务中,你真的了解你的客户吗? 有些客户下了一两次单就消失了,有些人每个月都回购,有些人曾经是 ...
2025-03-31在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的需求持续飙升。世界经济论坛发布的《未来就业报告》, ...
2025-03-28你有没有遇到过这样的情况?流量进来了,转化率却不高,辛辛苦苦拉来的用户,最后大部分都悄无声息地离开了,这时候漏斗分析就非 ...
2025-03-27TensorFlow Datasets(TFDS)是一个用于下载、管理和预处理机器学习数据集的库。它提供了易于使用的API,允许用户从现有集合中 ...
2025-03-26"不谋全局者,不足谋一域。"在数据驱动的商业时代,战略级数据分析能力已成为职场核心竞争力。《CDA二级教材:商业策略数据分析 ...
2025-03-26当你在某宝刷到【猜你喜欢】时,当抖音精准推来你的梦中情猫时,当美团外卖弹窗刚好是你想吃的火锅店…… 恭喜你,你正在被用户 ...
2025-03-26当面试官问起随机森林时,他到底在考察什么? ""请解释随机森林的原理""——这是数据分析岗位面试中的经典问题。但你可能不知道 ...
2025-03-25在数字化浪潮席卷的当下,数据俨然成为企业的命脉,贯穿于业务运作的各个环节。从线上到线下,从平台的交易数据,到门店的运营 ...
2025-03-25在互联网和移动应用领域,DAU(日活跃用户数)是一个耳熟能详的指标。无论是产品经理、运营,还是数据分析师,DAU都是衡量产品 ...
2025-03-24ABtest做的好,产品优化效果差不了!可见ABtest在评估优化策略的效果方面地位还是很高的,那么如何在业务中应用ABtest? 结合企业 ...
2025-03-21在企业数据分析中,指标体系是至关重要的工具。不仅帮助企业统一数据标准、提升数据质量,还能为业务决策提供有力支持。本文将围 ...
2025-03-20解锁数据分析师高薪密码,CDA 脱产就业班助你逆袭! 在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的 ...
2025-03-19在 MySQL 数据库中,查询一张表但是不包含某个字段可以通过以下两种方法实现:使用 SELECT 子句以明确指定想要的字段,或者使 ...
2025-03-17在当今数字化时代,数据成为企业发展的关键驱动力,而用户画像作为数据分析的重要成果,改变了企业理解用户、开展业务的方式。无 ...
2025-03-172025年是智能体(AI Agent)的元年,大模型和智能体的发展比较迅猛。感觉年初的deepseek刚火没多久,这几天Manus又成为媒体头条 ...
2025-03-14以下的文章内容来源于柯家媛老师的专栏,如果您想阅读专栏《小白必备的数据思维课》,点击下方链接 https://edu.cda.cn/goods/sh ...
2025-03-13以下的文章内容来源于刘静老师的专栏,如果您想阅读专栏《10大业务分析模型突破业务瓶颈》,点击下方链接 https://edu.cda.cn/go ...
2025-03-12以下的文章内容来源于柯家媛老师的专栏,如果您想阅读专栏《小白必备的数据思维课》,点击下方链接 https://edu.cda.cn/goods/sh ...
2025-03-11