公司怎么开网站,最成功的网络营销案例,盛泽做网站的,网页设计3个页面朴素贝叶斯算法是一种基于贝叶斯定理和特征条件独立假设的分类算法。它被广泛应用于文本分类、垃圾邮件过滤、情感分析等领域#xff0c;并且在实际应用中表现出色。 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#xff1a; 1#xff09;对于给定的待分类项r… 朴素贝叶斯算法是一种基于贝叶斯定理和特征条件独立假设的分类算法。它被广泛应用于文本分类、垃圾邮件过滤、情感分析等领域并且在实际应用中表现出色。 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 1对于给定的待分类项r通过学习到的模型计算后验概率分布。 2此项出现的条件下各个目标类别出现的概率将后验概率最大的类作为α所属的类别。 核心思想是利用特征之间的条件独立性来对给定的数据进行分类。具体而言朴素贝叶斯算法基于贝叶斯定理通过计算每个类别下各个特征对应的概率来进行分类推断。其对应的贝叶斯公式如下 朴素贝叶斯朴素在 计算条件概率分布P(XxYC_k)时NB引入了一个很强的条件独立假设即当Y确定时X的各个特征分量取值之间相互独立。
在估计条件概率P(X|Y)时出现概率为0的情况下采用贝叶斯估计简单来说就是引入“ 入” 入0时就是普通的极大似然估计入1时称为拉普拉斯平滑。 接下来通过文章分类计算案例进行演示需求是通过前四个训练样本文章判断第五篇文章是否属于China类 其计算结果如下所示 上面的例子我们得到P(TokvolC)和P(JapanlC)都为0这是不合理的如果词频列表里面有很多出现次数都为0很可能计算结果都为零。 解决办法就是使用拉普拉斯平滑系数 商品评论情感分析接下来通过一个案例来解释一下朴素贝叶斯算法的实现过程其大致的操作就是给定一段话判断当前是好评还是差评 下面这段代码主要实现了文本数据的处理、特征提取和朴素贝叶斯模型的训练与评估
import pandas as pd
import numpy as np
import pkuseg
import matplotlib.pyplot as plt
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB# 获取数据
data pd.read_json(./data/书籍评价.json)
# print(data)# 数据基本处理
# 取出内容列用于后面分析
content data[内容]
# print(content)
# 把评价中的好评差评转换为数字
data.loc[data.loc[:, 评价] 好评, 评论编号] 1
data.loc[data.loc[:, 评价] 差评, 评论编号] 0# 选择停用词
stopwords []
with open(./data/stopwords.txt, r, encodingutf-8) as f:lines f.readlines()for tmp in lines:line tmp.strip()stopwords.append(line)
stopwords set(stopwords) # 去重集合格式# 把内容处理成标准模式
comment_list []
seg pkuseg.pkuseg() # 实例化分词器对象
for tmp in content:seg_list seg.cut(tmp)seg_list [word for word in seg_list if word not in stopwords] # 过滤停用词seg_str .join(seg_list) # 使用空格连接词语comment_list.append(seg_str)# 统计词频
con CountVectorizer()
X con.fit_transform(comment_list)# 准备训练集
x_train X.toarray()[:10, :]
y_train data[评价][:10]# 准备测试集
x_test X.toarray()[10:, :]
y_test data[评价][10:]# 3. 模型训练
# 构建朴素贝叶斯算法分类器
mb MultinomialNB(alpha1) # alpha为Laplace平滑系数# 训练数据
mb.fit(x_train, y_train)# 预测数据
y_pred mb.predict(x_test)
# 预测值与真实值展示
print(预测值, y_pred)
print(真实值\r\n, y_test)# 模型评估
result mb.score(x_test, y_test)
print(模型评估的结果为: \n, result)
最终的模型评估结果会显示模型在测试集上的准确率。整个过程涉及数据处理、文本特征提取、模型训练和评估 我们可以体验一下百度开源的情感分析项目点击跳转地址 结果如下 朴素贝叶斯优缺点 优点 1朴素贝叶斯模型发源于古典数学理论有稳定的分类效率 2对缺失数据不太敏感算法也比较简单常用于文本分类 3分类准确度高速度快 缺点 1由于使用了样本属性独立性的假设所以如果特征属性有关联时其效果不好 2需要计算先验概率而先验概率很多时候取决于假设假设的模型可以有很多种因此在某些时候会由于假设的先验模型的原因导致预测效果不佳 为什么属性独立性假设在实际情况中很难成立但朴素贝叶斯仍能取得较好的效果 1人们在使用分类器之前首先做的第一步也是最重要的一步往往是特征选择这个过程的目的就是为了排除特征之间的共线性、选择相对较为独立的特征 2对于分类任务来说只要各类别的条件概率排序正确无需精准概率值就可以得出正确分类 3如果属性间依赖对所有类别影响相同或依赖关系的影响能相互抵消则属性条件独立性假设在降低计算复杂度的同时不会对性能产生负面影响。
