朴素贝叶斯方法是一种使用先验概率去计算后验概率的方法, 具体见ML(3): 贝叶斯方法
R包
① e1071::e1071
② klaR::klaR
参考资料：https://en.wikibooks.org/wiki/Data_Mining_Algorithms_In_R/Classification/Na%C3%AFve_Bayes
算法包：e1071
函数：navieBayes(formule,data,laplace=0,...,subset,na.action=na.pass)
- Formule: 公式的形式：class~x1 + x2 + ..... 相互作用是不允许的
- data: 数据集
- lapace: 正面双控制拉普拉期平滑。默认值（0）禁用拉普拉斯平滑。它的思想非常简单，就是对没类别下所有划分的计数为1，这样如果训练样本集数量充分大时，并不会对结果产生影响，并且解决了上述频率为0的局面。【在训练样本中，某一特征的属性值可能没有出现，为了保证一个属性出现次数为0时，能够得到一个很小但是非0的概率值】
R手机短信过滤示例
参考：https://zhuanlan.zhihu.com/p/22615168
原理： http://www.ruanyifeng.com/blog/2011/08/bayesian_inference_part_two.html
代示示例：
- 首先，导入数据(注：第二列文本中带“...”会导制后面的数据读不进来）
#数据导入
sms <- read.csv("sms.csv",header=TRUE,stringsAsFactors=FALSE)
sms$type <- factor(sms$type)
str(sms)
table(sms$type) - 数据清洗: sms$text 文本中包含着数字、缩略的短语和标点符号等，对于NaiveBayesClassifier而言，这些信息是有干扰的，因此，在建模之前需要在语料库中对数据进行清洗。
- 添加tm包 【参见tm包使用： http://www.cnblogs.com/tgzhu/p/6680525.html】，创建语料库，如下：语料库包含5574个document
#创建语料库
library(NLP)
library(tm)
sms_corpus <- Corpus(VectorSource(sms$text)) #clear corpus
sms_corpus <- tm_map(sms_corpus, PlainTextDocument)
# 所有字母转换成小写
sms_corpus <- tm_map(sms_corpus, tolower)
# 去除text中的数字
sms_corpus <- tm_map(sms_corpus, removeNumbers)
# 去除停用词，例如and,or,until...
sms_corpus <- tm_map(sms_corpus, removeWords, stopwords())
# 去除标点符号
sms_corpus <- tm_map(sms_corpus, removePunctuation)
# 去除多余的空格，使单词之间只保留一个空格
sms_corpus <- tm_map(sms_corpus, stripWhitespace)
#查看一下清理后的语料库文本
inspect(sms_corpus[1]) -
标记化：将文本分解成由单个单词组成的组，实际就是实现语料库向稀疏矩阵的转变 corpus_clean -> sms_dtm，建立训练集和测试集数据
#将文本信息转化成DocumentTermMatrix类型的稀疏矩阵
dtm <- DocumentTermMatrix(sms_corpus)
Sys.setlocale(category = "LC_ALL", locale = "us") #训练集和测试集数据,查看垃圾与正常邮件占比
trainSet <- sms[1:4169,]
testset <- sms[4170:5574,] - 创建可视化词云，通过词云可以大致浏览一下哪些词在spam中经常出现，哪些词在ham中经常出现。当然，前者对于垃圾短信的过滤相对重要一点。绘制词云可以通过添加包wordcloud实现 install.packages("wordcloud")
- 为了查看spam和ham各自的多频词，首先取trainset的子集，如下：
> #创建可视化词云,大致浏览一下哪些词在spam中经常出现
> library(RColorBrewer)
> library(wordcloud)
> #取trainset对spam和ham的子集
> spam <- subset(trainSet, type == "spam")
> ham <- subset(trainSet, type == "ham")
> #创建词云
> wordcloud(spam$text, max.words=40, scale=c(3,0.5)) - 显示结果如下：
- 缩减特征：在面临问题是稀疏矩阵的特征太多了，而且很多词在所有text中可能都没怎么出现过，为减少运算量对特征瘦瘦身。先留下来在所有text中出现至少5次的词
dtm_train <- dtm[1:4169,]
> dtm_test <- dtm[4170:5574,]
> findFreqTerms(dtm_train,5)
[1] "available" "bugis" "cine" "crazy" "got" "great" "point" "wat"
[9] "world" "lar" "wif" "apply" "comp" "cup" "entry" "final"
[17] "free" "may" "receive" "text" "txt" "win" "wkly" "already"
[25] "dun" "early" "say" "around" "goes" "nah" "think" "though"
[33] "usf" "back" "freemsg" "fun" "hey" "like" "now" "send"
[41] "std" "still" "weeks" "word" "xxx" "brother" "even" "speak"
[49] "treat" "callers" "callertune" "copy" "friends" "melle" "per" "press"
........................ -
将这些词设置成指示标识，下面建模时用这个指示标识提示模型只对这些词进行计算
> #缩减特征
> d <- findFreqTerms(dtm,5)
> corpus_train = sms_corpus[1:4169]
> corpus_test = sms_corpus[4170:5574]
> dtm_train <- DocumentTermMatrix(corpus_train,list(dictionary=d))
> dtm_test <- DocumentTermMatrix(corpus_test,list(dictionary=d)) -
train和test都是计数矩阵，如果一条text中某个单词出现2次，那么这个单词在这条文本下会被记上2，NB只想知道这个单词出现了或者没出现，因此需要对矩阵进行转化成因子矩阵。
> #对矩阵进行转化成因子矩阵
> convert_counts <- function(x){
+ x <- ifelse(x>0,1,0)
+ x <- factor(x, levels=c(0,1),labels=c("No","Yes"))
+ return(x)
+ }
> dtm_train <- apply(dtm_train, MARGIN=2, convert_counts)
> dtm_test <- apply(dtm_test, MARGIN=2, convert_counts) -
训练模型
> #需要的包是e1071
> #install.packages("e1071")
> library(e1071)
> sms_classifier <- naiveBayes(dtm_train,trainSet$type)
> sms_prediction <- predict(sms_classifier, dtm_test)
>
-
评估模型: 用交叉表来看看test中多少预测对了
> library(gmodels)
> CrossTable(sms_prediction,testset$type,prop.chisq=TRUE,prop.t=FALSE, dnn=c("predicted","actual")) Cell Contents
|-------------------------|
| N |
| Chi-square contribution |
| N / Row Total |
| N / Col Total |
|-------------------------| Total Observations in Table: 1405 | actual
predicted | ham | spam | Row Total |
-------------|-----------|-----------|-----------|
ham | 1124 | 150 | 1274 |
| 0.229 | 1.531 | |
| 0.882 | 0.118 | 0.907 |
| 0.920 | 0.820 | |
-------------|-----------|-----------|-----------|
spam | 98 | 33 | 131 |
| 2.229 | 14.886 | |
| 0.748 | 0.252 | 0.093 |
| 0.080 | 0.180 | |
-------------|-----------|-----------|-----------|
Column Total | 1222 | 183 | 1405 |
| 0.870 | 0.130 | |
-------------|-----------|-----------|-----------|
-
ham-ham和spam-spam是预测正确的，spam-ham：本身不是垃圾短信却被认为是垃圾短信过滤掉，由于Classifier1没有设置拉普拉斯估计，下面再尝试建立classifier2，看结果是否被优化。
> #设置拉普拉斯估计
> sms_classifier <- naiveBayes(dtm_train,trainSet$type,laplace = 1)
> sms_prediction <- predict(sms_classifier, dtm_test)
> CrossTable(sms_prediction,testset$type,prop.chisq=TRUE,prop.t=FALSE, dnn=c("predicted","actual")) Cell Contents
|-------------------------|
| N |
| Chi-square contribution |
| N / Row Total |
| N / Col Total |
|-------------------------| Total Observations in Table: 1405 | actual
predicted | ham | spam | Row Total |
-------------|-----------|-----------|-----------|
ham | 1105 | 132 | 1237 |
| 0.788 | 5.262 | |
| 0.893 | 0.107 | 0.880 |
| 0.904 | 0.721 | |
-------------|-----------|-----------|-----------|
spam | 117 | 51 | 168 |
| 5.803 | 38.747 | |
| 0.696 | 0.304 | 0.120 |
| 0.096 | 0.279 | |
-------------|-----------|-----------|-----------|
Column Total | 1222 | 183 | 1405 |
| 0.870 | 0.130 | |
-------------|-----------|-----------|-----------| spam人预测结果有改进，尝试继续优化，下一步以评论分类进行中文分类模拟
iris分类预测
- 安装加载包
#安装加载e1071
#install.packages("e1071")
library(e1071) - iris数据集分为训练集和测试集
index <-sample(1:nrow(iris), 100)
iris.train <-iris[index, ]
iris.test <-iris[-index, ] - 利用朴素贝叶斯算法构建模型
model.NaiveBayes <-naiveBayes(x =subset(iris.train,select=-Species), y= iris.train$Species)
str(model.NaiveBayes)
summary(model.NaiveBayes) -
用模型对测试集做测试
> results.NaiveBayes <-predict(object = model.NaiveBayes, newdata =iris.test, type="class")
> table(results.NaiveBayes, iris.test$Species) results.NaiveBayes setosa versicolor virginica
setosa 14 0 0
versicolor 0 17 2
virginica 0 1 16