朴素贝叶斯法概述

朴素贝叶斯法是基于贝叶斯定理与特征条件独立性假设的分类方法。对于给定的训练集，首先基于特征条件独立假设学习输入输出的联合概率分布（朴素贝叶斯法这种通过学习得到模型的机制，显然属于生成模型）；然后基于此模型，对给定的输入 x，利用贝叶斯定理求出后验概率最大的输出 y。

贝叶斯公式

我们要做的是计算在已知词向量w=(w1,w2,...,wn)w=(w1,w2,...,wn)的条件下求包含该词向量邮件是否为垃圾邮件的概率，即求（s为垃圾邮件）：

根据贝叶斯公式和全概率公式有：

根据朴素贝叶斯的条件独立假设，并设先验概率 P(s)=P(s′)=0.5,上式可化为：

接下来会用式2来计算概率 P(s|w)

准备邮件样本

总共收集了正常邮件样本normal8000封，垃圾邮件样本spam8000封，然后取1至200的normal，7801至8000的spam,总共400封邮件作为测试集test，其余作为训练集。

实现步骤

（1）对训练集用结巴分词，并用停用表进行简单过滤，然后使用正则表达式过滤掉邮件中的非中文字符；
（2）分别保存正常邮件与垃圾邮件中出现的词有多少邮件出现该词，得到两个词典。例如词”疯狂”在8000封正常邮件中出现了20次，在8000封垃圾邮件中出现了200次；
（3）对测试集中的每一封邮件做同样的处理，并计算得到P(s|w)P(s|w)最高的15个词，在计算过程中，若该词只出现在垃圾邮件的词典中，则令 P(w|s′)=0.01P(w|s′)=0.01，反之亦然；若都未出现，则令 P(s|w)=0.4P(s|w)=0.4。
（4）对得到的每封邮件中重要的15个词利用式2计算概率，若概率 >>阈值α(设为0.9)，则判为垃圾邮件，否则判为正常邮件。

实现代码

先写一个方法类spamEmailBayes，用于对邮件样本进行分词，统计词频，计算贝叶斯概率，计算预测结果正确率。

分词处理

import jieba;
import os;
class spamEmailBayes:#获得停用词表def getStopWords(self):stopList=[]for line in open("../data/中文停用词表.txt"):stopList.append(line[:len(line)-1])return stopList;#获得词典def get_word_list(self,content,wordsList,stopList):#分词结果放入res_listres_list = list(jieba.cut(content))for i in res_list:if i not in stopList and i.strip()!='' and i!=None:if i not in wordsList:wordsList.append(i)#若列表中的词已在词典中，则加1，否则添加进去def addToDict(self,wordsList,wordsDict):for item in wordsList:if item in wordsDict.keys():wordsDict[item]+=1else:wordsDict.setdefault(item,1)def get_File_List(self,filePath):filenames=os.listdir(filePath)return filenames

获取对邮件分类影响最大的15个词

    #通过计算每个文件中p(s|w)来得到对分类影响最大的15个词def getTestWords(self,testDict,spamDict,normDict,normFilelen,spamFilelen):wordProbList={}for word,num  in testDict.items():if word in spamDict.keys() and word in normDict.keys():#该文件中包含词个数pw_s=spamDict[word]/spamFilelenpw_n=normDict[word]/normFilelenps_w=pw_s/(pw_s+pw_n) wordProbList.setdefault(word,ps_w)if word in spamDict.keys() and word not in normDict.keys():pw_s=spamDict[word]/spamFilelenpw_n=0.01ps_w=pw_s/(pw_s+pw_n) wordProbList.setdefault(word,ps_w)if word not in spamDict.keys() and word in normDict.keys():pw_s=0.01pw_n=normDict[word]/normFilelenps_w=pw_s/(pw_s+pw_n) wordProbList.setdefault(word,ps_w)if word not in spamDict.keys() and word not in normDict.keys():#若该词不在脏词词典中，概率设为0.4wordProbList.setdefault(word,0.4)sorted(wordProbList.items(),key=lambda d:d[1],reverse=True)[0:15]return (wordProbList)

计算贝叶斯概率

    #计算贝叶斯概率def calBayes(self,wordList,spamdict,normdict):ps_w=1ps_n=1for word,prob in wordList.items() :print(word+"/"+str(prob))ps_w*=(prob)ps_n*=(1-prob)p=ps_w/(ps_w+ps_n)
#         print(str(ps_w)+""+str(ps_n))return p

计算预测结果正确率

    #计算预测结果正确率def calAccuracy(self,testResult):rightCount=0errorCount=0for name ,catagory in testResult.items():if (int(name)<1000 and catagory==0) or(int(name)>1000 and catagory==1):rightCount+=1else:errorCount+=1return rightCount/(rightCount+errorCount)

接下来调用方法类spamEmailBayes中的方法具体实现邮件的分类

from spam.spamEmail import spamEmailBayes
import re
#spam类对象
spam=spamEmailBayes()
#保存词频的词典
spamDict={}
normDict={}
testDict={}
#保存每封邮件中出现的词
wordsList=[]
wordsDict={}
#保存预测结果,key为文件名，值为预测类别
testResult={}
#分别获得正常邮件、垃圾邮件及测试文件名称列表
normFileList=spam.get_File_List(r"..\data\normal")
spamFileList=spam.get_File_List(r"..\data\spam")
testFileList=spam.get_File_List(r"..\data\test")
#获取训练集中正常邮件与垃圾邮件的数量
normFilelen=len(normFileList)
spamFilelen=len(spamFileList)
#获得停用词表，用于对停用词过滤
stopList=spam.getStopWords()
#获得正常邮件中的词频
for fileName in normFileList:wordsList.clear()for line in open("../data/normal/"+fileName):#过滤掉非中文字符rule=re.compile(r"[^\u4e00-\u9fa5]")line=rule.sub("",line)#将每封邮件出现的词保存在wordsList中spam.get_word_list(line,wordsList,stopList)#统计每个词在所有邮件中出现的次数spam.addToDict(wordsList, wordsDict)
normDict=wordsDict.copy()  #获得垃圾邮件中的词频
wordsDict.clear()
for fileName in spamFileList:wordsList.clear()for line in open("../data/spam/"+fileName):rule=re.compile(r"[^\u4e00-\u9fa5]")line=rule.sub("",line)spam.get_word_list(line,wordsList,stopList)spam.addToDict(wordsList, wordsDict)
spamDict=wordsDict.copy()# 测试邮件
for fileName in testFileList:testDict.clear( )wordsDict.clear()wordsList.clear()for line in open("../data/test/"+fileName):rule=re.compile(r"[^\u4e00-\u9fa5]")line=rule.sub("",line)spam.get_word_list(line,wordsList,stopList)spam.addToDict(wordsList, wordsDict)testDict=wordsDict.copy()#通过计算每个文件中p(s|w)来得到对分类影响最大的15个词wordProbList=spam.getTestWords(testDict, spamDict,normDict,normFilelen,spamFilelen)#对每封邮件得到的15个词计算贝叶斯概率  p=spam.calBayes(wordProbList, spamDict, normDict)if(p>0.9):testResult.setdefault(fileName,1)else:testResult.setdefault(fileName,0)#计算分类准确率（测试集中文件名为1至200的为正常邮件，7801至8000的为垃圾邮件）
testAccuracy=spam.calAccuracy(testResult)
for i,ic in testResult.items():print(i+"/"+str(ic))
print("正确率为：")
print(testAccuracy)

代码运行结果

影响每封邮件分类关键词的贝叶斯概率（概率大于0.9判为垃圾邮件，否则判为正常邮件）

根据贝叶斯概率对测试集邮件判别情况（1为垃圾邮件，0为正常邮件）

邮件分类判别的正确率

可以看到，在400封邮件（正常邮件与垃圾邮件各一半）的测试集中测试结果为分类准确率95.15%，朴素贝叶斯分类器的分类结果还是相当好的。

总结

朴素贝叶斯的优点和缺点

优点：

对待预测样本进行预测，过程简单速度快(想想邮件分类的问题，预测就是分词后进行概率乘积，在log域直接做加法更快)。
对于多分类问题也同样很有效，复杂度也不会有大程度上升。
在分布独立这个假设成立的情况下，贝叶斯分类器效果奇好，会略胜于逻辑回归，同时我们需要的样本量也更少一点。
对于类别类的输入特征变量，效果非常好。对于数值型变量特征，我们是默认它符合正态分布的。

缺点：

对于测试集中的一个类别变量特征，如果在训练集里没见过，直接算的话概率就是0了，预测功能就失效了。当然，我们前面的文章提过我们有一种技术叫做『平滑』操作，可以缓解这个问题，最常见的平滑技术是拉普拉斯估测。
那个…咳咳，朴素贝叶斯算出的概率结果，比较大小还凑合，实际物理含义…恩，别太当真。
朴素贝叶斯有分布独立的假设前提，而现实生活中这些predictor很难是完全独立的。