机器学习贝叶斯算法详解 + 公式推导 + 垃圾邮件过滤实战 + Python代码实现

Posted 2023-01-11 WSKH0929

文章目录

• 一、贝叶斯简介
• 二、贝叶斯公式推导
• 三、拼写纠正案例
• 四、垃圾邮件过滤案例
• • 4.1 问题描述
  • 4.2 朴素贝叶斯引入
• 五、基于朴素贝叶斯的垃圾邮件过滤实战
• • 5.1 导入相关库
  • 5.2 邮件数据读取
  • 5.3 构建语料表（字典）
  • 5.4 构建训练集的特征向量
  • 5.5 朴素贝叶斯算法计算概率
  • 5.6 贝叶斯公式的对数变换 + 邮件类别预测
  • 5.7 完整代码 + 运行输出

---

一、贝叶斯简介

贝叶斯主要解决的问题是“逆概”问题，那么什么是正向概率什么是逆向概率呢，下面给出解释：

---

二、贝叶斯公式推导

贝叶斯定理由英国数学家贝叶斯 ( Thomas Bayes 1702-1761 ) 发展，用来描述两个条件概率之间的关系，比如 P(A|B) 和 P(B|A)。按照乘法法则，可以立刻导出：P(A∩B) = P(A)*P(B|A)=P(B)*P(A|B)。如上公式也可变形为：P(A|B)=P(B|A)*P(A)/P(B)。

下面举一个例子来推导贝叶斯公式：

解答如下：

最终得到贝叶斯公式如下：

$$P(A|B)=\frac{P(A)\times P(B|A)}{P(B)}$$

---

三、拼写纠正案例

问题描述如下：
例如，用户拼写 thr ，我们猜测他可能想拼写 the

根据贝叶斯公式，我们可以得到如下结论：

由于用户实际输入的单词是已知的，所以P(D)是一个常数，所以上式的P(D)其实可以忽略。
P(h)是我们猜测词可能出现的概率，这个概率可以通过从一个庞大的语料库中统计获取
P(D|h)是当用户实际像输入的词是h时，用户输入D的概率。假设D是thr，h是the，那么P(D|h)我们可以通过计算thr要通过多少步的增删改操作才能变为the，所需要的步数越少，P(D|h)概率越大。

其中，P(h)又叫先验概率，是我们从庞大语料库中可以获取到的已知概率

贝叶斯和最大似然的区别在于，最大似然的结果由数据决定，而贝叶斯的结果由先验概率决定。例如，抛硬币游戏，前一百次都抛了正面，最大似然会认为下一次抛肯定还是正面。但是贝叶斯由于有先验概率的存在，无论如何他都认为下一次抛出正面的概率是0.5。

---

四、垃圾邮件过滤案例

4.1 问题描述

问题的相关描述如下：

4.2 朴素贝叶斯引入

一封邮件里有很多单词，从实际出发，第二个词出现的概率其实是受第一个词的影响的。所以将P(d1,d2,…,dn|h+)扩展之后的公式如下所示：

像上面那样展开的话就会导致计算非常复杂，为了简化计算，我们可以假设相邻词之间是独立无关的，这样就可以将展开后的式子简化为下图所示的式子（朴素贝叶斯就是比贝叶斯多了独立无关这个假设）：

---

五、基于朴素贝叶斯的垃圾邮件过滤实战

本章节的完整代码和邮件数据集的链接为：Python代码实现基于朴素贝叶斯算法的垃圾邮件分类

5.1 导入相关库

import numpy as np
import re
import random

5.2 邮件数据读取

下面是数据集的截图（每一行代表一封邮件），格式为：邮件类别\\t邮件内容

# 数据预处理操作（词的切分、词转化为小写）
def text_parse(input_str):
    word_list = re.split(r"\\W+", input_str)
    return [word.lower() for word in word_list if len(word_list) > 2 and len(word) > 0]


# 获取数据
def read_data():
    doc_list = []
    class_list = []
    with open("./data/SMS.txt", "r", encoding="utf-8") as file:
        datas = file.read()
        # print(data)
        datas = datas.split("\\n")
        for data in datas:
            # label = ham 代表 正常邮件 ， label = spam 代表垃圾邮件
            label, text = data.split("\\t")
            doc_list.append(text_parse(text))
            # 0：正常邮件，1：垃圾邮件
            class_list.append(0 if label == "ham" else 1)
    return doc_list, class_list

5.3 构建语料表（字典）

# 构建语料表
def create_vocabulary_list(doc_list):
    vocabulary_set = set([])
    for document in doc_list:
        vocabulary_set = vocabulary_set | set(document)
    return list(vocabulary_set)

5.4 构建训练集的特征向量

# 将一篇邮件转化为 类似 One-Hot 的向量，长度和 vocabulary_list 一样，为 1 的位置代表该单词在该邮件中出现了
def set_of_word2vector(vocabulary_list, document):
    vec = [0 for _ in range(len(vocabulary_list))]
    for word in document:
        index = vocabulary_list.index(word)
        if index >= 0:
            vec[index] = 1
    return vec
    
train_matrix = []
train_class = []
for train_index in train_index_set:
    train_matrix.append(set_of_word2vector(vocabulary_list, doc_list[train_index]))
    train_class.append(class_list[train_index])

5.5 朴素贝叶斯算法计算概率

回顾一下，我们用贝叶斯算法进行垃圾邮件分类时，其实就是比较 $P(h_{+}|D)$ 和 $P(h_{-}|D)$ 的大小，如果 $P(h_{+}|D)$ 大，则表示该邮件更有可能是垃圾邮件，否则更有可能是正常邮件。

$$\begin{gathered} P(h_{+}|D)=P(h_{+})\times P(D|h_{+})÷P(D) \\ P(h_{-}|D)=P(h_{-})\times P(D|h_{-})÷P(D) \end{gathered}$$

又因为，在针对某封邮件做预测时，$P(D)$ 可以看作常数，因而可以忽略，从而得到简化后的公式如下（其实下面式子写等号不严谨，应该是正比于，但是为了方便，后面都将正比于简化为等号）：

$$\begin{gathered} P(h_{+}|D)=P(h_{+})\times P(D|h_{+}) \\ P(h_{-}|D)=P(h_{-})\times P(D|h_{-}) \end{gathered}$$

其中，$P(h_{+})$ 为训练集中垃圾邮件的比率，$P(h_{-})$为训练集中正常邮件的比率，它们两个就是先验概率。

显然，$P(h_{+})+P(h_{-})=1$，因此，下面我们可以只计算$P(h_{+})$，用变量 p_spam 表示，$P(h_{+})$ 可以根据训练集很轻易地得到

又因为朴素贝叶斯假设任意两个词之间是独立无关的，所以可以将 $P(D|h_{+})$ 和 $P(D|h_{-})$ 展开如下：

$$\begin{gathered} P(D|h_{+})=P(d_1|h_{+})\times P(d_2|h_{+})\times ...\times P(d_n|h_{+}) \\ P(D|h_{-})=P(d_1|h_{-})\times P(d_2|h_{-})\times ...\times P(d_n|h_{-}) \end{gathered}$$

其中 d n d_n 实现 | 朴素贝叶斯模型算法研究与实例分析

机器学习算法整理— 贝叶斯算法_实现垃圾邮件过滤

从贝叶斯公式到垃圾邮件的识别

机器学习算法整理— 贝叶斯算法_拼写纠正实例_垃圾邮件过滤实例

吴裕雄--天生自然python机器学习：使用朴素贝叶斯过滤垃圾邮件

机器学习笔记——朴素贝叶斯构建“饥饿站台”豆瓣短评情感分类器