python机器学习朴素贝叶斯算法及模型的选择和调优详解
目录
- 一、概率知识基础
- 1.概率
- 2.联合概率
- 3.条件概率
- 二、朴素贝叶斯
- 1.朴素贝叶斯计算方式
- 2.拉普拉斯平滑
- 3.朴素贝叶斯API
- 三、朴素贝叶斯算法案例
- 1.案例概述
- 2.数据获取
- 3.数据处理
- 4.算法流程
- 5.注意事项
- 四、分类模型的评估
- 1.混淆矩阵
- 2.评估模型API
- 3.模型选择与调优
- ①交叉验证
- ②网格搜索
- 五、以knn为例的模型调优使用方法
- 1.对超参数进行构造
- 2.进行网格搜索
- 3.结果查看
一、概率知识基础
1.概率
概率就是某件事情发生的可能性。
2.联合概率
包含多个条件,并且所有条件同时成立的概率,记作:P(A, B) = P(A) * P(B)
3.条件概率
事件A在另外一个事件B已经发生的条件下的发生概率,记作:P(A|B)
条件概率的特性:P(A1,A2|B) = P(A1|B)P(A2|B)
注意:此条件概率的成立,是由于A1,A2相互独立的结果
朴素贝叶斯的原理就是,对于每一个样本,算出属于每一个类别的概率,归为概率最高的那一类。
二、朴素贝叶斯
1.朴素贝叶斯计算方式
直接代入实际例子,各部分解释如下:
P(C) = P(科技):科技文档类别的概率(科技文档数 / 总文档数)
P(W|C) = P(‘智能',‘发展'|科技):在科技文档这一类文章中,‘智能'与‘发展'这两个特征词出现的概率。注意:‘智能',‘发展'属于被预测文档中出现的词,科技文档中可能会有更多特征词,但给定的文档并不一定全部包含。因此,给定的文档包含了哪些,就使用哪些。
计算方法:
P(F1|C) = N(i)/N (训练集中计算)
N(i)是该F1词在C类别所有文档中出现的次数
N为所属类别C下的文档所有词出现的次数和
P(‘智能'|科技) = ‘智能'在所有科技类文档中出现的次数 / 科技类文档下所有出现的词次数和
则P(F1,F2...|C) = P(F1|C) * P(F2|C)
P(‘智能',‘发展'|科技) = P(‘智能'|科技) * P(‘发展'|科技)
这样就可以计算出基于被预测文档中的特征词,被预测文档属于科技的概率。同样的方法计算其他类型的概率。哪个高就算哪个。
2.拉普拉斯平滑
3.朴素贝叶斯API
sklearn.naive_bayes.MultinomialNB
三、朴素贝叶斯算法案例
1.案例概述
本案例的数据是来自于sklearn中的20newsgroups数据,通过提取文章中的特征词,使用朴素贝叶斯方法,对被预测文章进行计算,通过得出的概率来确定文章属于哪一类。
大致步骤如下:首先将文章分成两类,一类作为训练集,一类作为测试集。接下来使用tfidf分别对训练集以及测试集文章进行特征抽取,这样就生成了训练集测试集的x,接下来可以直接调用朴素贝叶斯算法,将训练集数据x_train, y_train导入进去,训练模型。最后使用训练好的模型来测试即可。
2.数据获取
导入数据库:import sklearn.datasets as dt
导入数据:news = dt.fetch_20newsgroups(subset='all')
3.数据处理
分割使用的方法和knn中的一样。另外,从sklearn中导入的数据,都可以直接调用 .data获取数据集,调用.target获取目标值。
分割数据:x_train, x_test, y_train, y_test = train_test_split(news.data, news.target, test_size=0.25)
特征值提取方法实例化:tf = TfIdfVectorizer()
训练集数据特征值提取:x_train = tf.fit_transform(x_train)
测试集数据特征值提取:x_test = tf.transform(x_test)
测试集的特征提取,只需要调用transform,因为要使用训练集的标准,并且在上一步已经fit过得出训练集的标准了,测试集直接使用就行。
4.算法流程
算法实例化:mlt = MultinomialNB(alpha=1.0)
算法训练:mlt.fit(x_train, y_train)
预测结果:y_predict = mlt.predict(x_test)
5.注意事项
朴素贝叶斯算法的准确率,是由训练集来决定的,不需要调参。训练集误差大,结果肯定不好。因为算的方式固定,并且没有一个超参数可供调整。
朴素贝叶斯的缺点:假设了文档中一些词和另外一些词是独立的,相互没联系。并且是在训练集中进行的词统计,会对结果造成干扰,训练集越好,结果越好,训练集越差,结果越差。
四、分类模型的评估
1.混淆矩阵
评估标准有数种,其一是准确率,也就是对预测的目标值和提供的目标值一一对比,计算准确率。
我们也有其他更通用也更好用的评估标准,即精确率和召回率。精确率和召回率是基于混淆矩阵计算的。
一般情况下我们只关注召回率。
F1分类标准:
根据以上式子,使用精确率召回率,可计算出F1-score,该结果可反应模型的稳健性。
2.评估模型API
sklearn.metricx.classification_report
3.模型选择与调优
①交叉验证
交叉验证是为了让被评估的模型更加准确可信,方法如下:
>>将所有数据分成n等份
>>第一份作为验证集,其他作为训练集,得出一个准确率,模型1
>>第二份作为验证集,其他作为训练集,得出一个准确率,模型2
>>......
>>直到每一份都过一遍,得出n个模型的准确率
>>对所有的准确率求平均值,我们就得到了最终更为可信的结果。
若分为四等分,则叫做“4折交叉验证”。
②网格搜索
网格搜索主要是和交叉验证同时使用,用来调参数。比如K-近邻算法中有超参数k,需要手动指定,比较复杂,所以需要对模型预设几种超参数组合,每组超参数都采用交叉验证来进行评估,最后选出最优的参数组合建立模型。(K-近邻算法就一个超参数k,谈不上组合,但是如果算法有2个或以上超参数,就进行组合,相当于穷举法)
网格搜索API:sklearn.model_selection.GridSearchCV
五、以knn为例的模型调优使用方法
假设已经将数据以及特征处理好,并且得到了x_train, x_test, y_train, y_test,并且已经将算法实例化:knn = KNeighborsClassifier()
1.对超参数进行构造
因为算法中需要用到的超参数的名字就叫做'n_neighbors',所以直接按名字指定超参数选择范围。若有第二个超参数,在后面添加字典元素即可。
params = {'n_neighbors':[5,10,15,20,25]}
2.进行网格搜索
输入的参数:算法(估计器),网格参数,指定几折交叉验证
gc = GridSearchCV(knn, param_grid=params, cv=5)
基本信息指定好后,就可以把训练集数据fit进去
gc.fit(x_train, y_train)
3.结果查看
网格搜索算法中,有数种方法可以查看准确率、模型、交叉验证结果、每一次交叉验证后的结果。
gc.score(x_test, y_test) 返回准确率
gc.best_score_ 返回最高的准确率
gc.best_estimator_ 返回最好的估计器(返回的时候会自动带上所选择的超参数)
以上就是python机器学习朴素贝叶斯及模型的选择和调优详解的详细内容,更多关于朴素贝叶斯及模型的选择和调优的资料请关注我们其它相关文章!