【转】"《机器学习实战》之朴素贝叶斯(2)使用Python进行文本分类"



前言:

  要从文本中获取特征,需要先拆分文本。这里的特征是来自文本的词条(token),一个词条是字符的任意组合。可以把词条想象为单词,也可以使用非单词词条,如URL、IP地址或者任意其他字符串。然后将一个文本片段表示为一个词向量,其中值为1表示词条出现,0表示词条未出现。

  以在线社区的留言板为例,为了不影响社区的发展,我们要屏蔽侮辱性的言论,所以要构建一个快速过滤器,如果某条留言使用了负面或者侮辱性的言语,那么就将该留言表示为内容不当。过滤这类内容是一个很常见的需求。对此问题建立两个类别:侮辱类和非侮辱类,使用1和0分别表示。

  本文主要利用Python实现文本分类。

准备数据:从文本中构建词向量

  我们将把文本看成单词向量或者词条向量,也就是说将句子转换为向量。打开文本编辑器,创建一个叫bayes.py的新文件,用如下代码实现构建词向量。

代码实现:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
# -*- coding: UTF-8 -*-
"""
Created on Sep 08, 2017
Naive Bayes
@author: wordzzzz
"""

from numpy import *

def loadDataSet():
"""
Function: 创建实验样本

Args: 无

Returns: postingList:词条切分后的文档集合
classVec:类别标签的集合
"""
#词条切分后的文档集合
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']]
#类别标签的集合
classVec = [0,1,0,1,0,1] #1 is abusive, 0 not
#词条切分后的文档集合和类别标签结合
return postingList,classVec

def createVocabList(dataSet):
"""
Function: 创建一个包含所有文档中出现的不重复词的列表

Args: dataSet:数据集

Returns: list(vocabSet):返回一个包含所有文档中出现的不重复词的列表
"""
#创建一个空集
vocabSet = set([])
#将新词集合添加到创建的集合中
for document in dataSet:
#操作符 | 用于求两个集合的并集
vocabSet = vocabSet | set(document)
#返回一个包含所有文档中出现的不重复词的列表
return list(vocabSet)

def setOfWords2Vec(vocabList, inputSet):
"""
Function: 词表到向量的转换

Args: vocabList:词汇表
inputSet:某个文档

Returns: returnVec:文档向量
"""
#创建一个所含元素都为0的向量
returnVec = [0]*len(vocabList)
#遍历文档中词汇
for word in inputSet:
#如果文档中的单词在词汇表中,则相应向量位置置1
if word in vocabList:
returnVec[vocabList.index(word)] = 1
#否则输出打印信息
else: print("the word: %s is not in my Vocablary!" % word)
#向量的每一个元素为1或0,表示词汇表中的单词在文档中是否出现
return returnVec

  首先命令行生成词汇表,程序中巧妙地运用了Python的set数据类型,通过并集运算,可以生成一个包含所有文档中出现的不重复词的列表。

输出结果:

1
2
3
4
5
>>> import bayes
>>> listOPosts, listClasses = bayes.loadDataSet()
>>> myVocabList = bayes.createVocabList(listOPosts)
>>> myVocabList
['mr', 'cute', 'please', 'to', 'steak', 'worthless', 'not', 'how', 'so', 'I', 'stop', 'ate', 'buying', 'help', 'has', 'maybe', 'dog', 'him', 'flea', 'posting', 'stupid', 'is', 'food', 'garbage', 'take', 'park', 'my', 'quit', 'licks', 'dalmation', 'love', 'problems']

  检查上述词表,就会发现这里不会出现重复的单词。目前该词表并没有进行排序,需要的话稍后可以对其排序。
然后看一下setOfWords2Vec的运行效果:

1
2
3
4
>>> bayes.setOfWords2Vec(myVocabList, listOPosts[0])
[0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1]
>>> bayes.setOfWords2Vec(myVocabList, listOPosts[3])
[0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0]

  该函数使用词汇表或者想要检查的所有单词作为输入,然后为其中每一个单词构建一个特征。我们来看对listOPosts[0]([‘my’, ‘dog’, ‘has’, ‘flea’, ‘problems’, ‘help’, ‘please’])进行词条转换输出的结果,可以看到第三个元素值为1,即词汇表中对应的please这个单词在listOPosts[0]中,事实也确实如此。

训练算法:从词向量计算概率

  前面介绍了如何将一组单词转换为一组数字,现在我们就开始使用这些数字计算概率。我们把上篇文章的贝叶斯准则再掏出来,讲之前的x、y替换为w。w表示这是一个向量,即它由多个数值组成。在这个例子中,数值个数与词汇表中的词个数相同。

$$ P(c_i | w) = \frac {P(w | c_i)P(c_i)} {P(w)} $$

  使用上述公式,对每个类计算该值,然后比较这两个概率值的大小。首先通过类别i(侮辱性留言或者非侮辱性留言)中文档数除以总的文档数来计算概率$ P(c_i) $。接下来计算$ P(w | c_i) $,这里就用到了贝叶斯假设。如果将w展开为一个个独立特征,那么就可以将上述概率写作$P(w_0, w_1, w_2, ···w_N|c_i)$。这里假设所有词都互相独立,就是我们之前提到的naive的条件独立性假设,这意味着我们可以使用$P(w_0|c_i)P(w_1|c_i)P(w_2|c_i)…P(w_N|c_i)$来计算上述概率,就算起来so easy!

  写个伪代码大概就是这么个意思:

1
2
3
4
5
6
7
8
9
计算每个类别中的文档数目
对每篇训练文档:
对每个类别:
如果词条出现在文档中,则增加该词条的计数
增加所有词条的计数值
对每个类别:
对每个词条:
将该词条的数目除以总词条数目得到条件概率
返回每个类别的条件概率

  下面的代码使用了NumPy的一些函数,故应确保将from numpy import *语句添加到bayes.py文件的最前面。

代码实现:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
def trainNB0(trainMatrix, trainCategory):
"""
Function: 朴素贝叶斯分类器训练函数

Args: trainMatrix:文档矩阵
trainCategory:类别标签向量

Returns: p0Vect:非侮辱性词汇概率向量
p1Vect:侮辱性词汇概率向量
pAbusive:侮辱性文档概率
"""
#获得训练集中文档个数
numTrainDocs = len(trainMatrix)
#获得训练集中单词个数
numWords = len(trainMatrix[0])
#计算文档属于侮辱性文档的概率
pAbusive = sum(trainCategory)/float(numTrainDocs)
#初始化概率的分子变量
p0Num = zeros(numWords); p1Num = zeros(numWords)
#初始化概率的分母变量
p0Denom = 0.0; p1Denom = 0.0
#遍历训练集trainMatrix中所有文档
for i in range(numTrainDocs):
#如果侮辱性词汇出现,则侮辱词汇计数加一,且文档的总词数加一
if trainCategory[i] ==1:
p1Num += trainMatrix[i]
p1Denom += sum(trainMatrix[i])
#如果非侮辱性词汇出现,则非侮辱词汇计数加一,且文档的总词数加一
else:
p0Num += trainMatrix[i]
p0Denom += sum(trainMatrix[i])
#对每个元素做除法求概率
p1Vect = p1Num/p1Denom
p0Vect = p0Num/p0Denom
#返回两个类别概率向量和一个概率
return p0Vect, p1Vect, pAbusive

输出结果:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
>>> reload(bayes)
<module 'bayes' from 'E:\\机器学习实战\\mycode\\Ch04\\bayes.py'>
>>> listOPosts, listClasses = bayes.loadDataSet() #从预先加载值中调入数据
>>> myVocabList = bayes.createVocabList(listOPosts) #构建一个包含所有值得词汇表
>>> trainMat = [] #利用for循环来填充trainMat列表
>>> for postinDoc in listOPosts:
... trainMat.append(bayes.setOfWords2Vec(myVocabList, postinDoc))
...
>>> p0V, p1V, pAb = bayes.trainNB0(trainMat, listClasses)
>>> pAb #任意侮辱性文档的概率
0.5
>>> p0V
array([ 0.04166667, 0.04166667, 0.04166667, 0.04166667, 0.04166667,
0. , 0. , 0.04166667, 0.04166667, 0.04166667,
0.04166667, 0.04166667, 0. , 0.04166667, 0.04166667,
0. , 0.04166667, 0.08333333, 0.04166667, 0. ,
0. , 0.04166667, 0. , 0. , 0. ,
0. , 0.125 , 0. , 0.04166667, 0.04166667,
0.04166667, 0.04166667])
>>> p1V
array([ 0. , 0. , 0. , 0.05263158, 0. ,
0.10526316, 0.05263158, 0. , 0. , 0. ,
0.05263158, 0. , 0.05263158, 0. , 0. ,
0.05263158, 0.10526316, 0.05263158, 0. , 0.05263158,
0.15789474, 0. , 0.05263158, 0.05263158, 0.05263158,
0.05263158, 0. , 0.05263158, 0. , 0. ,
0. , 0. ])

  首先,我们发现文档属于侮辱类的概率pAb为0.5,该值是正确定。词汇表中的第一个词是cute,其在类别0中出现一次,在类别1中从未出现,对应的条件概率分别为0.44166667和0.0。该计算是正确的。

测试算法:根据现实情况修改分类器

  利用贝叶斯分类器对文档进行分类时,要计算过个概率的乘积以获得文档属于某个类别的概率,如果其中一个概率值为0,那么最后的乘积也为0。为降低这种影响,可以将所有词的出现数初始化为1,并将分母初始化为2。所以需要修改一下trainNB()中的分母分子初始化代码。

1
2
3
4
#初始化概率的分子变量
p0Num = ones(numWords); p1Num = ones(numWords)
#初始化概率的分母变量
p0Denom = 2.0; p1Denom = 2.0

  另一个遇到的问题就是下溢出,太多的很小数相乘,导致程序向下溢出或者得不到正确的答案(比如四舍五入后乘积为0)。一种解决办法就是对乘积取自然对数。即!$ln(a*b) = ln(a) + ln(b)$,于是通过求对数可以避免下溢出或者浮点数舍入导致的错误。我们可以放心的是,采用自然对数处理不会有任何损失。下图给出了函数f(x)和ln(f(x))的曲线。

  检查这两条曲线,就会发现他们在相同区域内同时增加或者减少,并且在相同点上取到极值。取值虽然不同,但是不影响最终结果。所以需要修改一下trainNB()中的求概率代码。

1
2
3
#对每个元素做除法求概率
p1Vect = log(p1Num/p1Denom)
p0Vect = log(p0Num/p0Denom)

  下面构建朴素贝叶斯分类函数和测试函数:

代码实现:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
"""
Function: 朴素贝叶斯分类函数

Args: vec2Classify:文档矩阵
p0Vec:非侮辱性词汇概率向量
p1Vec:侮辱性词汇概率向量
pClass1:侮辱性文档概率

Returns: 1:侮辱性文档
0:非侮辱性文档
"""
#向量元素相乘后求和再加到类别的对数概率上,等价于概率相乘
p1 = sum(vec2Classify * p1Vec) + log(pClass1)
p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1)
#分类结果
if p1 > p0:
return 1
else:
return 0

def testingNB():
"""
Function: 朴素贝叶斯分类器测试函数

Args: 无

Returns: testEntry:测试词汇列表
classifyNB(thisDoc, p0V, p1V, pAb):分类结果
"""
#从预先加载中调入数据
listOPosts, listClasses = loadDataSet()
#构建一个包含所有词的列表
myVocabList = createVocabList(listOPosts)
#初始化训练数据列表
trainMat = []
#填充训练数据列表
for postinDoc in listOPosts:
trainMat.append(setOfWords2Vec(myVocabList, postinDoc))
#训练
p0V, p1V, pAb = trainNB0(trainMat, listClasses)
#测试
testEntry = ['love', 'my', 'dalmation']
thisDoc = array(setOfWords2Vec(myVocabList, testEntry))
print(testEntry,'classified as: ', classifyNB(thisDoc, p0V, p1V, pAb))
#测试
testEntry = ['stupid', 'garbage']
thisDoc = array(setOfWords2Vec(myVocabList, testEntry))
print(testEntry,'classified as: ', classifyNB(thisDoc, p0V, p1V, pAb))

输出结果:

1
2
3
4
5
>>> reload(bayes)
<module 'bayes' from 'E:\\机器学习实战\\mycode\\Ch04\\bayes.py'>
>>> bayes.testingNB()
['love', 'my', 'dalmation'] classified as: 0
['stupid', 'garbage'] classified as: 1

  大家可以对输入文本做一下修改,看看分类器会输出什么结果。这个例子非常简单,但是它展示了朴素贝叶斯分类器的工作原理。接下来我们可以对代码做一些修改,使分类器工作得更好。

准备数据:文档词袋模型

  我们将每个词的出现与否作为一个特征,可以被描述为词集模型(set-of-words model)。如果一个词在文档中出现不止一次,这可能意味着包含该词是否出现在文档中所不能表达的某些信息,这种方法被称为词袋模型(bag-of-words model)。词袋中的单词可以出现多次,而在词集中,每个单词只能出现一次。下面的程序给出了基于词袋模型的朴素贝叶斯代码,。它与函数setOfWords2Vec()几乎完全相同,唯一不同的是每当遇到一个单词时,它会增加词向量中的对应值,而不只是将对应的数值设为1。

代码实现:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
def bagOfWords2VecMN(vocabList, inputSet):
"""
Function: 词袋到向量的转换

Args: vocabList:词袋
inputSet:某个文档

Returns: returnVec:文档向量
"""
#创建一个所含元素都为0的向量
returnVec = [0]*len(vocabList)
#将新词集合添加到创建的集合中
for word in inputSet:
#如果文档中的单词在词汇表中,则相应向量位置加1
if word in vocabList:
returnVec[vocabList.index(word)] += 1
#返回一个包含所有文档中出现的词的列表
return returnVec

系列教程持续发布中,欢迎订阅、关注、收藏、评论、点赞哦~~( ̄▽ ̄~)~

完的汪(∪。∪)。。。zzz