• 朴素贝叶斯分类算法 & sklearn中的朴素贝叶斯模型及其应用 & 朴素贝叶斯应用:垃圾邮件分类


    简述分类与聚类的联系与区别。

      分类是指在对数据集分类时,我们知道这个数据集是有多少种类的。

      聚类是将数据对象的集合分成相似的对象类的过程,使得同一个簇(或类)中的对象之间具有较高的相似性,而不同簇中的对象具有较高的相异性。即指在对数据集操作时,我们是不知道该数据集包含多少类,我们要做的,是将数据集中相似的数据归纳在一起。

    简述什么是监督学习与无监督学习。

      监督学习是指每个实例都是由一组特征和一个类别结果,拥有标注的数据训练模型,并产生一个推断的功能。对于新的实例,可以用于映射出该实例的类别。

      无监督学习是指我们只知道一些特征,并不知道答案,但不同实例具有一定的相似性,然后把那些相似的聚集在一起。

    2.朴素贝叶斯分类算法 实例

    利用关于心脏情患者的临床数据集,建立朴素贝叶斯分类模型。

    有六个分类变量(分类因子):性别,年龄、KILLP评分、饮酒、吸烟、住院天数

    目标分类变量疾病:–心梗–不稳定性心绞痛

    新的实例:–(性别=‘男’,年龄<70, KILLP=‘I',饮酒=‘是’,吸烟≈‘是”,住院天数<7)

    最可能是哪个疾病?

    3、编程实现朴素贝叶斯分类算法

    import pandas as pd
    import numpy as np
     
    dataDF = pd.read_excel(r'data/心脏病患者临床数据.xlsx')
     
    # 数据处理,对男女(男1女0),年龄(<70 -1,70-80 0,>80 1),
    # 住院天数(<7 -1,7-14 0,>14 1)三个列进行处理
    sex = []
    for s in dataDF['性别']:
        if s == '男':
            sex.append(1)
        else:
            sex.append(0)
     
    age = []
    for a in dataDF['年龄']:
        if a == '<70':
            age.append(-1)
        elif a == '70-80':
            age.append(0)
        else:
            age.append(1)
     
    days = []
    for d in dataDF['住院天数']:
        if d == '<7':
            days.append(-1)
        elif d == '7-14':
            days.append(0)
        else:
            days.append(1)
     
    # 另外生成一份处理后的DF
    dataDF2 = dataDF
    dataDF2['性别'] = sex
    dataDF2['年龄'] = age
    dataDF2['住院天数'] = days
     
    # 转为数组用于计算
    dataarr = np.array(dataDF)
    dataarr
     
    # 用贝叶斯模型判断病人属于哪种病:性别=‘男’,年龄<70, KILLP=1,饮酒=‘是’,吸烟=‘是”,住院天数<7
    def beiyesi(sex, age, KILLP, drink, smoke, days):
        # 初始化变量
        x1_y1,x2_y1,x3_y1,x4_y1,x5_y1,x6_y1 = 0,0,0,0,0,0
        x1_y2,x2_y2,x3_y2,x4_y2,x5_y2,x6_y2 = 0,0,0,0,0,0
        y1 = 0
        y2 = 0
         
        for line in dataarr:
            if line[6] == '心梗':# 计算在心梗条件下出现各症状的次数
                y1 += 1
                if line[0] == sex:
                    x1_y1 += 1
                if line[1] == age:
                    x2_y1 += 1
                if line[2] == KILLP:
                    x3_y1 += 1
                if line[3] == drink:
                    x4_y1 += 1
                if line[4] == smoke:
                    x5_y1 += 1
                if line[5] == days:
                    x6_y1 += 1
            else: # 计算不稳定性心绞痛条件下出现各症状的次数
                y2 += 1
                if line[0] == sex:
                    x1_y2 += 1
                if line[1] == age:
                    x2_y2 += 1
                if line[2] == KILLP:
                    x3_y2 += 1
                if line[3] == drink:
                    x4_y2 += 1
                if line[4] == smoke:
                    x5_y2 += 1
                if line[5] == days:
                    x6_y2 += 1
        # print('y1:',y1,' y2:',y2)
                 
                 
        # 计算,转为x|y1, x|y2
        # print('x1_y1:',x1_y1, ' x2_y1:',x2_y1, ' x3_y1:',x3_y1, ' x4_y1:',x4_y1, ' x5_y1:',x5_y1, ' x6_y1:',x6_y1)
        # print('x1_y2:',x1_y2, ' x2_y2:',x2_y2, ' x3_y2:',x3_y2, ' x4_y2:',x4_y2, ' x5_y2:',x5_y2, ' x6_y2:',x6_y2)
        x1_y1, x2_y1, x3_y1, x4_y1, x5_y1, x6_y1 = x1_y1/y1, x2_y1/y1, x3_y1/y1, x4_y1/y1, x5_y1/y1, x6_y1/y1
        x1_y2, x2_y2, x3_y2, x4_y2, x5_y2, x6_y2 = x1_y2/y2, x2_y2/y2, x3_y2/y2, x4_y2/y2, x5_y2/y2, x6_y2/y2
        x_y1 = x1_y1 * x2_y1 * x3_y1 * x4_y1 * x5_y1 * x6_y1
        x_y2 = x1_y2 *  x2_y2 * x3_y2 * x4_y2 * x5_y2 * x6_y2
     
             
        # 计算各症状出现的概率
        x1,x2,x3,x4,x5,x6 = 0,0,0,0,0,0
        for line in dataarr:
            if line[0] == sex:
                x1 += 1
            if line[1] == age:
                x2 += 1
            if line[2] == KILLP:
                x3 += 1
            if line[3] == drink:
                x4 += 1
            if line[4] == smoke:
                x5 += 1
            if line[5] == days:
                x6 += 1
        # print('x1:',x1, ' x2:',x2, ' x3:',x3, ' x4:',x4, ' x5:',x5, ' x6:',x6)
        # 计算
        length = len(dataarr)
        x = x1/length * x2/length * x3/length * x4/length * x5/length * x6/length
        # print('x:',x)
         
        # 分别计算 给定症状下心梗 和 不稳定性心绞痛 的概率
        y1_x = (x_y1)*(y1/length)/x
        # print(y1_x)
        y2_x = (x_y2)*(y2/length)/x
         
        # 判断是哪中疾病的可能性大
        if y1_x > y2_x:
            print('该病人患心梗的可能性较大,可能性为:',y1_x)
        else:
            print('该病人患不稳定性心绞痛的可能性较大,可能性为:',y2_x)
     
    # 判断:性别=‘男’,年龄<70, KILLP=1,饮酒=‘是’,吸烟=‘是”,住院天数<7
    beiyesi(1,-1,1,'是','是',-1)
    

     

    结果为:

    1.使用朴素贝叶斯模型对iris数据集进行花分类

    尝试使用3种不同类型的朴素贝叶斯:

    高斯分布型

    from sklearn import datasets
    iris = datasets.load_iris()
    
    from sklearn.naive_bayes import GaussianNB
    Gaus = GaussianNB()
    pred = Gaus.fit(iris.data , iris.target)
    G_pred = pred.predict(iris.data)
    
    print(iris.data.shape[0],(iris.target !=G_pred).sum())
    
    print(iris.target)
    

    伯努利型

    from sklearn.naive_bayes import BernoulliNB
    from sklearn import datasets
    iris = datasets.load_iris()
    Bern = BernoulliNB()
    pred = Bern.fit(iris.data, iris.target)
    B_pred = pred.predict(iris.data)
    print(iris.data.shape[0],(iris.target !=B_pred).sum())
    print(iris.target)
    print(B_pred)

    多项式型

    from sklearn import datasets
    from sklearn.naive_bayes import MultinomialNB
    iris = datasets.load_iris()
    Mult = MultinomialNB()
    pred = Mult.fit(iris.data, iris.target)
    M_pred = pred.predict(iris.data)
    print(iris.data.shape[0],(iris.target !=M_pred).sum())
    print(iris.target)
    print(M_pred)
    print(iris.target !=M_pred)
    

    2.使用sklearn.model_selection.cross_val_score(),对模型进行验证。

    from sklearn.naive_bayes import GaussianNB
    from sklearn.model_selection import cross_val_score
    gnb = GaussianNB()
    scores = cross_val_score(gnb,iris.data,iris.target,cv=10)
    print("准确率:%.3f"%scores.mean())
    
    from sklearn.naive_bayes import BernoulliNB
    from sklearn.model_selection import cross_val_score
    Bern = BernoulliNB()
    scores = cross_val_score(Bern,iris.data,iris.target,cv=10)
    print("准确率:%.3f"%scores.mean())
    
    from sklearn.naive_bayes import MultinomialNB
    from sklearn.model_selection import cross_val_score
    Mult = MultinomialNB()
    scores = cross_val_score(Mult,iris.data,iris.target,cv=10)
    print("准确率:%.3f"%scores.mean())
    

     

    3. 垃圾邮件分类

    数据准备:

    • 用csv读取邮件数据,分解出邮件类别及邮件内容。
    • 对邮件内容进行预处理:去掉长度小于3的词,去掉没有语义的词等

    (1)读取数据集

    import csv
    file_path = r'D:shujuSMSSpamCollectionjsn.txt'
    mail = open(file_path,'r',encoding='utf-8')
    mail_data=[]
    mail_label=[]
    csv_reader = csv.reader(mail,delimiter='	')
    for line in csv_reader:
        mail_data.append(line[1])
        mail_label.append(line[0])
    mail.close()
    mail_data
    

      

    (2)邮件预处理

    import nltk
    from nltk.corpus import stopwords
    from nltk.stem import WordNetLemmatizer
    from sklearn.naive_bayes import MultinomialNB as MNB  
    
    def preprocessing(text):    
        #text=text.decode("utf-8)
        tokens=[word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)] #nltk进行分词  
        stops=stopwords.words('english')                                  #去掉停用词
        tokens=[token for token in tokens if token not in stops]
        
        tokens=[token.lower() for token in tokens if len(token)>=3]                  #去掉大小写
        lmtzr=WordNetLemmatizer()                                      #词性还原
        tokens=[lmtzr.lemmatize(token) for token in tokens]
        preprocessed_text=' '.join(tokens)
        return preprocessed_text
    

    (3)导入数据

    import csv
    file_path=r'H:作业py数据挖掘基础算法2018.12.3SMSSpamCollectionjsn.txt'
    sms=open(file_path,'r',encoding='utf-8')
    sms_data=[]
    sms_label=[]
    csv_reader=csv.reader(sms,delimiter='	')
    for line in csv_reader:
        sms_label.append(line[0])
        sms_data.append(preprocessing(line[1]))
    sms.close()
    

      

    (4)训练集与测试集:将先验数据按一定比例进行拆分。

    import numpy as np
    sms_data=np.array(sms_data)
    sms_label=np.array(sms_label)
    
    from sklearn.model_selection import train_test_split
    x_train, x_test, y_train, y_test =train_test_split(sms_data, sms_label, test_size=0.3, random_state=0, stratify=sms_label) #按训练集和测试集0.7:0.3划分
    print(len(sms_data),len(x_train),len(x_test))
    x_train
    

    (5)提取数据特征,将文本解析为词向量 。

    from sklearn.feature_extraction.text import TfidfVectorizer
    vectorizer=TfidfVectorizer(min_df=2,ngram_range=(1,2),stop_words='english',strip_accents='unicode',norm='l2')
    X_train=vectorizer.fit_transform(x_train)
    X_test=vectorizer.transform(x_test)
    

    (6)训练模型:建立模型,用训练数据训练模型。即根据训练样本集,计算词项出现的概率P(xi|y),后得到各类下词汇出现概率的向量 。

    X_train
    a=X_train.toarray()
    print(a)
    
    for i in range(1000):
        for j in range(5984):
            if a[i,j]!=0:
                print(i,j,a[i,j])
    

    (7)

    测试模型:用测试数据集评估模型预测的正确率。

    混淆矩阵

    准确率、精确率、召回率、F值

    from sklearn.naive_bayes import MultinomialNB as MNB
    from sklearn.metrics import confusion_matrix
    from sklearn.metrics import classification_report
    
    clf=MNB().fit(X_train,y_train)
    y_nb_pred=clf.predict(X_test)
    
    print(y_nb_pred.shape, y_nb_pred)
    print('nb_confusion_matrix:')              #混淆矩阵
    cm = confusion_matrix(y_test, y_nb_pred)
    print(cm)                          #准确率、精确率、召回率、F值
    cr = classification_report(y_test, y_nb_pred)
    print(cr)
    
    feature_names = vectorizer.get_feature_names()
    coefs = clf.coef_
    intercept = clf.intercept_
    coefs_with_fns = sorted(zip(coefs[0], feature_names))
    
    n = 10
    top = zip(coefs_with_fns[:n], coefs_with_fns[:-(n + 1):-1])  #
    for (coef_1, fn_1), (coef_2, fn_2) in top:
        print('	%.4f	%-15s		%.4f	%-15s' % (coef_1, fn_1, coef_2, fn_2))
    

     

     

  • 相关阅读:
    【Java基础】浅谈常见设计模式
    面试中的排序算法总结
    Spring Boot中静态资源(JS, 图片)等应该放在什么位置
    分布式缓存技术redis学习系列(四)——redis高级应用(集群搭建、集群分区原理、集群操作)
    分布式缓存技术redis学习系列(三)——redis高级应用(主从、事务与锁、持久化)
    分布式缓存技术redis学习系列(二)——详细讲解redis数据结构(内存模型)以及常用命令
    Springmvc参数绑定
    SpringMVC框架的图片上传
    全文检索技术ElasticSearch
    MQ(Message Queue)消息队列
  • 原文地址:https://www.cnblogs.com/czx98/p/10018475.html
Copyright © 2020-2023  润新知