基于贝叶斯的文本分类
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
关键词社区发现标签传播算法社会网络分析社区结构
1 引言
数据挖掘在上个世纪末在数据的智能分析技术上得到了广泛的应用。分类作为数据挖掘 中一项非常重要的任务，目前在商业上应用很多。分类的目的是学会一个分类函数或分类模 型(也常常称作分类器)，该分类器可以将数据集合中的数据项映射到给定类别中的某一个， 从而可以用于后续数据的预测和状态决策。目前，分类方法的研究成果较多，判别方法的好 坏可以从三个方面进行：1）预测准确度，对非样本数据的判别准确度；2）计算复杂度，方 法实现时对时间和空间的复杂度；3）模式的简洁度，在同样效果情况下，希望决策树小或 规则少。
南京理工大学经济管理学院
课程作业
课程名称：
本文信息处理
作业题目： 基于朴素贝叶斯实现文本分类
姓 名：
赵华
学 号： 成 绩：
114107000778
任课教师评语：
签名： 年月日
基于朴素贝叶斯实现文本分类
摘要贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。本
文作为分类算法的第一篇，将首先介绍分类问题，对分类问题进行一个正式的定义。然后，介绍贝叶斯分 类算法的基础——贝叶斯定理。最后，通过实例讨论贝叶斯分类中最简单的一种：朴素贝叶斯分类。
分类是数据分析和机器学习领域的基本问题。没有一个分类方法在对所有数据集上进行 分类学习均是最优的。从数据中学习高精度的分类器近年来一直是研究的热点。各种不同的 方法都可以用来学习分类器。例如，人工神经元网络[1]、决策树[2]、非参数学习算法[3]等等。 与其他精心设计的分类器相比，朴素贝叶斯分类器[4]是学习效率和分类效果较好的分类器之 一。
报,2003,29(4):400-404.
切词
停用词过滤
初始语料库
切词结果数据
最终数据集
朴素贝叶斯分类
90%训练数据集
10%测试数据集
3.3 实验结果
图 2 实验流程图
调用贝叶斯分类器，每个类别选取 900 个文档作为训练集，101 个作为训练集，得 出实验结果如下图 3 所示，准确度为 0.9455，较高的准确度应该跟数据集的质量比较 高有关。
2.2Biblioteka Baidu贝叶斯分类的基础——贝叶斯定理
贝叶斯定理解决了现实生活里经常遇到的问题：已知某条件概率，如何得到两个 事件交换后的概率，也就是在已知 P(A|B)的情况下如何求得 P(B|A)。这里先解释什么 是条件概率：
表示事件 B 已经发生的前提下，事件 A 发生的概率，叫做事件 B 发生下事件 A
的条件概率。其基本求解公式为： 贝叶斯定理之所以有用，是因为我们在生活中经常遇到这种情况：我们可以很容易直 接得出 P(A|B)，P(B|A)则很难直接得出，但我们更关心 P(B|A)，贝叶斯定理就为我们 打通从 P(A|B)获得 P(B|A)的道路。贝叶斯定理公式如下：
例如，医生对病人进行诊断就是一个典型的分类过程，任何一个医生都无法直接 看到病人的病情，只能观察病人表现出的症状和各种化验检测数据来推断病情，这时 医生就好比一个分类器，而这个医生诊断的准确率，与他当初受到的教育方式（构造 方法）、病人的症状是否突出（待分类数据的特性）以及医生的经验多少（训练样本 数量）都有密切关系。
图 1 朴素贝叶斯分类流程图
3 实验过程及结果分析
3.1 数据来源
共两类数据，每个类别下分别有 1979 个文档。
3.2 实验过程
本实验调用 jieba 分词，过滤停用词，选取前 5000 个高频词作为特征项，每个类 别抽取 1000 个样本，90%训练，10%测试，调用 nltk 包下的贝叶斯分类器进行分类， 并计算准确度。实验流程如下图 2 所示：
图 3 实验结果
4 结论与展望
本文根据统计词频选取特征项，尚存在不足，在特征项抽取方面有待完善。
参考文献
[1] P H Sorensen,et al.Implementation of neural network based nonlinear predictive control[J].1999,28(1):37-51 [2] 杨平,等.神经网络预测控制算法及其应用[J].控制工程,2003,10(4):349-351 [3] 王雪松，程玉虎.一种基于时间差分算法的神经网络预测控制系统[J].信息与控制,2004,33(5):531-535. [4] 陈 博 , 钱 锋 , 刘 漫 丹 . 一 种 基 于 BP 网 络 的 预 测 控 制 算 法 及 其 应 用 [J]. 华 东 理 工 大 学 学
朴素贝叶斯方法，是目前公认的一种简单有效的分类方法，它是一种基于概率的分类方 法，被广泛地应用于模式识别、自然语言处理、机器人导航、规划、机器学习以及利用贝叶 斯网络技术构建和分析软件系统。
2 贝叶斯分类
2.1 分类问题综述
对于分类问题，其实谁都不会陌生，说我们每个人每天都在执行分类操作一点都 不夸张，只是我们没有意识到罢了。例如，当你看到一个陌生人，你的脑子下意识判 断 TA 是男是女；你可能经常会走在路上对身旁的朋友说“这个人一看就很有钱、那边 有个非主流”之类的话，其实这就是一种分类操作。
朴素贝叶斯分类的正式定义如下：
1、设
为一个待分类项，而每个 a 为 x 的一个特征属性。
2、有类别集合
。
3、计算
。
4、如果
，则
。
那么现在的关键就是如何计算第 3 步中的各个条件概率。我们可以这么做： 1、找到一个已知分类的待分类项集合，这个集合叫做训练样本集。 2、统计得到在各类别下各个特征属性的条件概率估计。即 3、如果各个特征属性是条件独立的，则根据贝叶斯定理有如下推导： 因为分母对于所有类别为常数，因为我们只要将分子最大化皆可。又因为各特征 属性是条件独立的，所以有： 根据上述分析，朴素贝叶斯分类的流程可以由下图表示：
2.3 朴素贝叶斯分类的原理与流程
朴素贝叶斯分类是一种十分简单的分类算法，叫它朴素贝叶斯分类是因为这种方 法的思想真的很朴素，朴素贝叶斯的思想基础是这样的：对于给出的待分类项，求解 在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类 别。通俗来说，就好比这么个道理，你在街上看到一个黑人，我问你你猜这哥们哪里 来的，你十有八九猜非洲。为什么呢？因为黑人中非洲人的比率最高，当然人家也可 能是美洲人或亚洲人，但在没有其它可用信息下，我们会选择条件概率最大的类别， 这就是朴素贝叶斯的思想基础。
从数学角度来说，分类问题可做如下定义：
已知集合：
和
，确定映射规则
，使得任意 糊数学里的模糊集情况）
有且仅有一个
使得
成立。（不考虑模
其中 C 叫做类别集合，其中每一个元素是一个类别，而 I 叫做项集合，其中每一 个元素是一个待分类项，f 叫做分类器。分类算法的任务就是构造分类器 f。
这里要着重强调，分类问题往往采用经验性方法构造映射规则，即一般情况下的 分类问题缺少足够的信息来构造 100%正确的映射规则，而是通过对经验数据的学习从 而实现一定概率意义上正确的分类，因此所训练出的分类器并不是一定能将每个待分 类项准确映射到其分类，分类器的质量与分类器构造方法、待分类数据的特性以及训 练样本数量等诸多因素有关。
1 引言
数据挖掘在上个世纪末在数据的智能分析技术上得到了广泛的应用。分类作为数据挖掘 中一项非常重要的任务，目前在商业上应用很多。分类的目的是学会一个分类函数或分类模 型(也常常称作分类器)，该分类器可以将数据集合中的数据项映射到给定类别中的某一个， 从而可以用于后续数据的预测和状态决策。目前，分类方法的研究成果较多，判别方法的好 坏可以从三个方面进行：1）预测准确度，对非样本数据的判别准确度；2）计算复杂度，方 法实现时对时间和空间的复杂度；3）模式的简洁度，在同样效果情况下，希望决策树小或 规则少。
南京理工大学经济管理学院
课程作业
课程名称：
本文信息处理
作业题目： 基于朴素贝叶斯实现文本分类
姓 名：
赵华
学 号： 成 绩：
114107000778
任课教师评语：
签名： 年月日
基于朴素贝叶斯实现文本分类
摘要贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。本
文作为分类算法的第一篇，将首先介绍分类问题，对分类问题进行一个正式的定义。然后，介绍贝叶斯分 类算法的基础——贝叶斯定理。最后，通过实例讨论贝叶斯分类中最简单的一种：朴素贝叶斯分类。
分类是数据分析和机器学习领域的基本问题。没有一个分类方法在对所有数据集上进行 分类学习均是最优的。从数据中学习高精度的分类器近年来一直是研究的热点。各种不同的 方法都可以用来学习分类器。例如，人工神经元网络[1]、决策树[2]、非参数学习算法[3]等等。 与其他精心设计的分类器相比，朴素贝叶斯分类器[4]是学习效率和分类效果较好的分类器之 一。
报,2003,29(4):400-404.
切词
停用词过滤
初始语料库
切词结果数据
最终数据集
朴素贝叶斯分类
90%训练数据集
10%测试数据集
3.3 实验结果
图 2 实验流程图
调用贝叶斯分类器，每个类别选取 900 个文档作为训练集，101 个作为训练集，得 出实验结果如下图 3 所示，准确度为 0.9455，较高的准确度应该跟数据集的质量比较 高有关。
2.2Biblioteka Baidu贝叶斯分类的基础——贝叶斯定理
贝叶斯定理解决了现实生活里经常遇到的问题：已知某条件概率，如何得到两个 事件交换后的概率，也就是在已知 P(A|B)的情况下如何求得 P(B|A)。这里先解释什么 是条件概率：
表示事件 B 已经发生的前提下，事件 A 发生的概率，叫做事件 B 发生下事件 A
的条件概率。其基本求解公式为： 贝叶斯定理之所以有用，是因为我们在生活中经常遇到这种情况：我们可以很容易直 接得出 P(A|B)，P(B|A)则很难直接得出，但我们更关心 P(B|A)，贝叶斯定理就为我们 打通从 P(A|B)获得 P(B|A)的道路。贝叶斯定理公式如下：
例如，医生对病人进行诊断就是一个典型的分类过程，任何一个医生都无法直接 看到病人的病情，只能观察病人表现出的症状和各种化验检测数据来推断病情，这时 医生就好比一个分类器，而这个医生诊断的准确率，与他当初受到的教育方式（构造 方法）、病人的症状是否突出（待分类数据的特性）以及医生的经验多少（训练样本 数量）都有密切关系。
图 1 朴素贝叶斯分类流程图
3 实验过程及结果分析
3.1 数据来源
共两类数据，每个类别下分别有 1979 个文档。
3.2 实验过程
本实验调用 jieba 分词，过滤停用词，选取前 5000 个高频词作为特征项，每个类 别抽取 1000 个样本，90%训练，10%测试，调用 nltk 包下的贝叶斯分类器进行分类， 并计算准确度。实验流程如下图 2 所示：
图 3 实验结果
4 结论与展望
本文根据统计词频选取特征项，尚存在不足，在特征项抽取方面有待完善。
参考文献
[1] P H Sorensen,et al.Implementation of neural network based nonlinear predictive control[J].1999,28(1):37-51 [2] 杨平,等.神经网络预测控制算法及其应用[J].控制工程,2003,10(4):349-351 [3] 王雪松，程玉虎.一种基于时间差分算法的神经网络预测控制系统[J].信息与控制,2004,33(5):531-535. [4] 陈 博 , 钱 锋 , 刘 漫 丹 . 一 种 基 于 BP 网 络 的 预 测 控 制 算 法 及 其 应 用 [J]. 华 东 理 工 大 学 学
朴素贝叶斯方法，是目前公认的一种简单有效的分类方法，它是一种基于概率的分类方 法，被广泛地应用于模式识别、自然语言处理、机器人导航、规划、机器学习以及利用贝叶 斯网络技术构建和分析软件系统。
2 贝叶斯分类
2.1 分类问题综述
对于分类问题，其实谁都不会陌生，说我们每个人每天都在执行分类操作一点都 不夸张，只是我们没有意识到罢了。例如，当你看到一个陌生人，你的脑子下意识判 断 TA 是男是女；你可能经常会走在路上对身旁的朋友说“这个人一看就很有钱、那边 有个非主流”之类的话，其实这就是一种分类操作。
朴素贝叶斯分类的正式定义如下：
1、设
为一个待分类项，而每个 a 为 x 的一个特征属性。
2、有类别集合
。
3、计算
。
4、如果
，则
。
那么现在的关键就是如何计算第 3 步中的各个条件概率。我们可以这么做： 1、找到一个已知分类的待分类项集合，这个集合叫做训练样本集。 2、统计得到在各类别下各个特征属性的条件概率估计。即 3、如果各个特征属性是条件独立的，则根据贝叶斯定理有如下推导： 因为分母对于所有类别为常数，因为我们只要将分子最大化皆可。又因为各特征 属性是条件独立的，所以有： 根据上述分析，朴素贝叶斯分类的流程可以由下图表示：
2.3 朴素贝叶斯分类的原理与流程
朴素贝叶斯分类是一种十分简单的分类算法，叫它朴素贝叶斯分类是因为这种方 法的思想真的很朴素，朴素贝叶斯的思想基础是这样的：对于给出的待分类项，求解 在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类 别。通俗来说，就好比这么个道理，你在街上看到一个黑人，我问你你猜这哥们哪里 来的，你十有八九猜非洲。为什么呢？因为黑人中非洲人的比率最高，当然人家也可 能是美洲人或亚洲人，但在没有其它可用信息下，我们会选择条件概率最大的类别， 这就是朴素贝叶斯的思想基础。
从数学角度来说，分类问题可做如下定义：
已知集合：
和
，确定映射规则
，使得任意 糊数学里的模糊集情况）
有且仅有一个
使得
成立。（不考虑模
其中 C 叫做类别集合，其中每一个元素是一个类别，而 I 叫做项集合，其中每一 个元素是一个待分类项，f 叫做分类器。分类算法的任务就是构造分类器 f。
这里要着重强调，分类问题往往采用经验性方法构造映射规则，即一般情况下的 分类问题缺少足够的信息来构造 100%正确的映射规则，而是通过对经验数据的学习从 而实现一定概率意义上正确的分类，因此所训练出的分类器并不是一定能将每个待分 类项准确映射到其分类，分类器的质量与分类器构造方法、待分类数据的特性以及训 练样本数量等诸多因素有关。