【データ科学システム学習】機械学習アルゴリズム#スイカ本学習記録[6]素朴ベイズ実践
本編は『機械学習実戦』第4章確率論に基づく分類方法:素朴ベイズプログラムリスト.使用するコードはpython 3です.
地味ベイズ
利点:データが少ない場合でも有効であり、多種類の問題を処理できます.欠点:入力データの準備方式に敏感である.適用データ型:公称型データ.
Pythonによるテキスト分類
この手順を簡単に説明します.テキストからフィーチャーを取得し、分類器を構築し、分類出力結果を行います.ここでの特徴は、テキストからの見出し語(token)であり、各テキストセグメントを見出し語ベクトルとして表す必要があり、値が1は見出し語がドキュメントに表示され、0は見出し語が表示されないことを示す.
次に、テキストをデジタルベクトルに変換するプロセスを示し、これらのベクトルに基づいて条件確率を計算し、これに基づいて分類器を構築する.
次に,オンラインコミュニティの伝言板を例に,フィルタリングのための例を示す.
コミュニティの発展に影響を与えないためには、侮辱的な言論を遮断する必要があるので、ある伝言がマイナスや侮辱的な言語で使われている場合は、その伝言を内容が適切ではないと識別する高速フィルタを構築する必要があります.この問題に対して,侮辱類と非侮辱類の2つのカテゴリを確立し,それぞれ1と0を用いて表す.
データの準備:テキストから語ベクトルを構築する
プログラムリスト4-1ワードテーブルからベクトルへの変換関数
pythonプロンプトで、コードを実行し、結果を得ます.
重複する単語が現れない
コードの実行を続行します.
関数
トレーニングアルゴリズム:語ベクトルから確率を計算する
関数の疑似コードは次のとおりです.
プログラムリスト4-2素朴ベイズ分類器訓練関数
pythonプロンプトで、コードを実行し、結果を得ます.
以上、データを取り込んだ後、すべての語を含むリスト
この
侮辱ドキュメントに属する確率と2つのカテゴリの確率ベクトルを引き続き与えます.
変数の内部値の表示
ドキュメントが侮辱クラスに属する確率は
テストアルゴリズム:現実に基づいて分類器を変更する
プログラムリスト4-3素朴ベイズ分類関数
pythonプロンプトで、コードを実行し、結果を得ます.
分類器は結果を出力し,分類は正しい.
データの準備:ドキュメントのワードバッグモデル
語セットモデル:各語の出現の有無を特徴とします.つまり、私たちが上で使ったものです.ワードバッグモデル:各ワードの出現回数を特徴とします.1つの単語に遭遇するたびに、その単語ベクトルはすべて1に設定されるのではなく、+1に対応します.
関数
プログラムリスト4-4素朴ベイズ語袋モデル
修正された点は、1つの単語に遭遇するたびに、対応する数値を1に設定するだけでなく、単語ベクトルの対応する値が増加します.
次に、この分類器を使用してスパムをフィルタします.
例:シンプルベイズを使用したスパムのフィルタリング
テストアルゴリズム:シンプルベイズを使用したクロス検証
プログラムリスト4-5ファイル解析および完全なスパムテスト関数
pythonプロンプトで、コードを実行し、結果を得ます.
関数
ここのコードで注意しなければならない2つの点は、
1、文
2、ランダムに選択した文書をテストセットに追加した後、トレーニングセットから同時に削除するには、文
以上,文書を素朴ベイズで分類した.
参照リンク:『機械学習実戦』ノートの4——確率論に基づく分類方法:素朴ベイズ UnicodeDecodeError: 'utf-8' codec can't decode byte 0x92 in position 884: invalid start byte
足りないところは、指摘を歓迎します.
地味ベイズ
利点:データが少ない場合でも有効であり、多種類の問題を処理できます.欠点:入力データの準備方式に敏感である.適用データ型:公称型データ.
Pythonによるテキスト分類
この手順を簡単に説明します.テキストからフィーチャーを取得し、分類器を構築し、分類出力結果を行います.ここでの特徴は、テキストからの見出し語(token)であり、各テキストセグメントを見出し語ベクトルとして表す必要があり、値が1は見出し語がドキュメントに表示され、0は見出し語が表示されないことを示す.
次に、テキストをデジタルベクトルに変換するプロセスを示し、これらのベクトルに基づいて条件確率を計算し、これに基づいて分類器を構築する.
次に,オンラインコミュニティの伝言板を例に,フィルタリングのための例を示す.
コミュニティの発展に影響を与えないためには、侮辱的な言論を遮断する必要があるので、ある伝言がマイナスや侮辱的な言語で使われている場合は、その伝言を内容が適切ではないと識別する高速フィルタを構築する必要があります.この問題に対して,侮辱類と非侮辱類の2つのカテゴリを確立し,それぞれ1と0を用いて表す.
データの準備:テキストから語ベクトルを構築する
プログラムリスト4-1ワードテーブルからベクトルへの変換関数
'''
Created on Sep 10, 2018
@author: yufei
'''
# coding=utf-8
from numpy import *
#
def loadDataSet():
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']]
classVec = [0,1,0,1,0,1] # 1 ,0
"""
postingList 。
,
classVec 。
, 。
"""
return postingList, classVec
"""
python Set
Set ,set
"""
def createVocabList(dataSet):
#
vocabSet = set([])
# ,
for document in dataSet:
vocabSet = vocabSet | set(document)
#
return list(vocabSet)
# : ,
def setOfWords2Vec(vocabList, inputSet):
# , 0
returnVec = [0] * len(vocabList)
#
for word in inputSet:
# , 1
if word in vocabList:
returnVec[vocabList.index(word)] = 1
else:
print('the word: %s is not in my Vocabulary!' % word)
# , 1 0
return returnVec
pythonプロンプトで、コードを実行し、結果を得ます.
>>> import bayes
>>> list0Posts, listClasses = bayes.loadDataSet()
>>> myVocabList = bayes.createVocabList(list0Posts)
>>> myVocabList
['problems', 'mr', 'ate', 'buying', 'not', 'garbage', 'how', 'maybe', 'stupid', 'cute', 'stop', 'help', 'dalmation', 'take', 'is', 'worthless', 'him', 'flea', 'park', 'my', 'I', 'to', 'licks', 'steak', 'dog', 'love', 'quit', 'so', 'please', 'posting', 'has', 'food']
重複する単語が現れない
myVocabList
の語表が得られ、現在、この語表はソートされていない.コードの実行を続行します.
>>> bayes.setOfWords2Vec(myVocabList, list0Posts[3])
[0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1]
>>> bayes.setOfWords2Vec(myVocabList, list0Posts[0])
[0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0]
関数
setOfWords2Vec
は、用語集または検査したいすべての単語を入力として使用し、各単語に特徴を構築する.文書(この例ではメッセージを指す)が与えられると、ドキュメントはワードベクトルに変換されます.トレーニングアルゴリズム:語ベクトルから確率を計算する
関数の疑似コードは次のとおりです.
···
··· :
······ :
········· —>
·········
······ :
········· :
············
······
プログラムリスト4-2素朴ベイズ分類器訓練関数
'''
Created on Sep 11, 2018
@author: yufei
'''
# : trainMatrix, trainCategory
def trainNB0(trainMatrix, trainCategory):
numTrainDocs = len(trainMatrix) #
numWords = len(trainMatrix[0]) #
"""
1
sum([0,1,0,1,0,1])=3, trainCategory 1
"""
pAbusive = sum(trainCategory) / float(numTrainDocs)
"""
,
1, 2, log
"""
p0Num = ones(numWords)
p1Num = ones(numWords)
p0Denom = 2.0
p1Denom = 2.0
# trainMatrix
for i in range(numTrainDocs):
#
if trainCategory[i] == 1:
# ,
# trainMatrix[2] = [1,0,1,1,0,0,0];trainMatrix[3] = [1,1,0,0,0,1,1]
p1Num += trainMatrix[i]
# ,
# trainMatrix[2] 3, ,
p1Denom += sum(trainMatrix[i])
# ,
else:
p0Num += trainMatrix[i]
p0Denom +=sum(trainMatrix[i])
"""
,
。
# p1Vect = log(p1Num / p1Denom)
# p0Vect = log(p0Num / p0Denom)
"""
p1Vect = p1Num / p1Denom
p0Vect = p0Num / p0Denom
"""
,
"""
return p0Vect, p1Vect, pAbusive
pythonプロンプトで、コードを実行し、結果を得ます.
>>> from numpy import *
>>> importlib.reload(bayes)
>>> list0Posts, listClasses = bayes.loadDataSet()
>>> myVocabList = bayes.createVocabList(list0Posts)
以上、データを取り込んだ後、すべての語を含むリスト
myVocabList
が構築された>>> trainMat = []
>>> for postinDoc in list0Posts:
... trainMat.append(bayes.setOfWords2Vec(myVocabList, postinDoc))
この
for
サイクルは、trainMat
リストを満たすために語ベクトルを使用する.侮辱ドキュメントに属する確率と2つのカテゴリの確率ベクトルを引き続き与えます.
>>> p0V, p1V, pAb = bayes.trainNB0(trainMat, listClasses)
変数の内部値の表示
>>> pAb
0.5
>>> p0V
array([0.03846154, 0.07692308, 0.03846154, 0.07692308, 0.07692308,
0.07692308, 0.07692308, 0.03846154, 0.03846154, 0.03846154,
0.07692308, 0.07692308, 0.15384615, 0.07692308, 0.07692308,
0.07692308, 0.03846154, 0.07692308, 0.07692308, 0.07692308,
0.07692308, 0.07692308, 0.03846154, 0.07692308, 0.11538462,
0.07692308, 0.07692308, 0.03846154, 0.03846154, 0.03846154,
0.07692308, 0.03846154])
>>> p1V
array([0.0952381 , 0.04761905, 0.0952381 , 0.0952381 , 0.14285714,
0.04761905, 0.04761905, 0.0952381 , 0.0952381 , 0.14285714,
0.04761905, 0.04761905, 0.04761905, 0.04761905, 0.04761905,
0.04761905, 0.0952381 , 0.04761905, 0.04761905, 0.04761905,
0.0952381 , 0.04761905, 0.0952381 , 0.04761905, 0.0952381 ,
0.04761905, 0.04761905, 0.19047619, 0.0952381 , 0.0952381 ,
0.04761905, 0.0952381 ])
ドキュメントが侮辱クラスに属する確率は
pAb
が0.5であり、pV1
の最大値0.19047619を表示し、27番目の下付き位置に現れ、myVocabList
の27番目の下付き位置を表示する.この語はstupidであり、カテゴリ1を最も特徴付ける単語であることを示している.テストアルゴリズム:現実に基づいて分類器を変更する
プログラムリスト4-3素朴ベイズ分類関数
'''
Created on Sep 11, 2018
@author: yufei
'''
# vec2Classify:
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
p1 = sum(vec2Classify * p1Vec) + log(pClass1)
p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1)
if p1 > p0:
return 1
else:
return 0
def testingNB():
list0Posts, listClasses = loadDataSet()
myVocabList = createVocabList(list0Posts)
trainMat = []
for posinDoc in list0Posts:
trainMat.append(setOfWords2Vec(myVocabList, posinDoc))
p0V, p1V, pAb = trainNB0(array(trainMat), array(listClasses))
testEntry = ['love', 'my','dalmation']
thisDoc = array(setOfWords2Vec(myVocabList, testEntry))
print(testEntry, 'classified as: ', classifyNB(thisDoc, p0V, p1V, pAb))
testEntry = ['stupid', 'garbage']
thisDoc = array(setOfWords2Vec(myVocabList, testEntry))
print(testEntry, 'classified as: ', classifyNB(thisDoc, p0V, p1V, pAb))
pythonプロンプトで、コードを実行し、結果を得ます.
>>> importlib.reload(bayes)
>>> bayes.testingNB()
['love', 'my', 'dalmation'] classified as: 0
['stupid', 'garbage'] classified as: 1
分類器は結果を出力し,分類は正しい.
データの準備:ドキュメントのワードバッグモデル
語セットモデル:各語の出現の有無を特徴とします.つまり、私たちが上で使ったものです.ワードバッグモデル:各ワードの出現回数を特徴とします.1つの単語に遭遇するたびに、その単語ベクトルはすべて1に設定されるのではなく、+1に対応します.
関数
setOfWords2Vec()
を修正し、修正した関数はbagOfWords2VecMN
である.プログラムリスト4-4素朴ベイズ語袋モデル
def bagOfWords2VecMN(vocabList, inputSet):
returnVec = [0] * len(vocabList)
for word in inputSet:
if word in inputSet:
returnVec[vocabList.index(word)] += 1
return returnVec
修正された点は、1つの単語に遭遇するたびに、対応する数値を1に設定するだけでなく、単語ベクトルの対応する値が増加します.
次に、この分類器を使用してスパムをフィルタします.
例:シンプルベイズを使用したスパムのフィルタリング
テストアルゴリズム:シンプルベイズを使用したクロス検証
プログラムリスト4-5ファイル解析および完全なスパムテスト関数
'''
Created on Sep 11, 2018
@author: yufei
'''
"""
"""
def textParse(bigString): #input is big string, #output is word list
import re
listOfTokens = re.split(r'\W*', bigString)
# ,
return [tok.lower() for tok in listOfTokens if len(tok) > 2]
"""
"""
def spamTest():
docList=[]; classList = []; fullText =[]
#
for i in range(1,26):
wordList = textParse(open('email/spam/%d.txt' % i, encoding='ISO-8859-1').read())
docList.append(wordList)
fullText.extend(wordList)
classList.append(1)
wordList = textParse(open('email/ham/%d.txt' % i, encoding='ISO-8859-1').read())
docList.append(wordList)
fullText.extend(wordList)
classList.append(0)
vocabList = createVocabList(docList)#create vocabulary
trainingSet = list(range(50)); testSet=[] #create test set
for i in range(10):
randIndex = int(random.uniform(0,len(trainingSet)))
testSet.append(trainingSet[randIndex])
del(trainingSet[randIndex])
trainMat=[]; trainClasses = []
# , bagOfWords2VecMN
for docIndex in trainingSet:#train the classifier (get probs) trainNB0
trainMat.append(bagOfWords2VecMN(vocabList, docList[docIndex]))
trainClasses.append(classList[docIndex])
# trainNB0
p0V,p1V,pSpam = trainNB0(array(trainMat),array(trainClasses))
errorCount = 0
#
for docIndex in testSet: #classify the remaining items
wordVector = bagOfWords2VecMN(vocabList, docList[docIndex])
# , 1
if classifyNB(array(wordVector),p0V,p1V,pSpam) != classList[docIndex]:
errorCount += 1
print ("classification error",docList[docIndex])
#
print ('the error rate is: ',float(errorCount)/len(testSet))
#return vocabList,fullText
pythonプロンプトで、コードを実行し、結果を得ます.
>>> importlib.reload(bayes)
>>> bayes.spamTest()
classification error ['home', 'based', 'business', 'opportunity', 'knocking', 'your', 'door', 'don', 'rude', 'and', 'let', 'this', 'chance', 'you', 'can', 'earn', 'great', 'income', 'and', 'find', 'your', 'financial', 'life', 'transformed', 'learn', 'more', 'here', 'your', 'success', 'work', 'from', 'home', 'finder', 'experts']
the error rate is: 0.1
関数
spamTest()
は、10通のランダムに選択された電子メールの分類エラー率を出力します.ランダムに選択されているため、出力結果に差がある場合があります.誤り率をよりよく推定するには、上記の手順を繰り返して平均値を求める必要があります.ここのコードで注意しなければならない2つの点は、
1、文
wordList = textParse(open('email/spam/%d.txt' % i).read())
を直接使用してUnicodeDecodeError: 'utf-8' codec can't decode byte 0x92 in position 884: invalid start byte
とエラーを報告する.これは、utf-8形式で保存されていない文字がファイルに存在する可能性があるため、wordList = textParse(open('email/spam/%d.txt' % i, encoding='ISO-8859-1').read())
に変更する必要があります.2、ランダムに選択した文書をテストセットに追加した後、トレーニングセットから同時に削除するには、文
del(trainingSet[randIndex])
を使用します.この場合、python 2とpython 3の違いによるTypeError: 'range' object doesn't support item deletion
とエラーが発生します.python 2では直接実行できますが、python 3ではtrainingSet
をtrainingSet = list(range(50))
ではなくtrainingSet = range(50)
に設定する必要があります.つまり、list
であってから削除操作を行わなければなりません.以上,文書を素朴ベイズで分類した.
参照リンク:『機械学習実戦』ノートの4——確率論に基づく分類方法:素朴ベイズ UnicodeDecodeError: 'utf-8' codec can't decode byte 0x92 in position 884: invalid start byte
足りないところは、指摘を歓迎します.