使用朴素贝叶斯分类器划分邮件

#机器学习

2014-05-20

朴素贝叶斯分类器，基于贝叶斯定理，是一个表现良好的分类方法。

1、推导

1.1、条件概率:

P(A|B) = P(A,B)/P(B)

A和B是随机事件，P(A/B)也就是在事件B发生的前提下事件A发生的概率。
为了易读性，笔者将P(AB)写成P(A,B)。

如果有大量的数据，我们可以通过统计结果计算条件概率。例如假设有1000封邮件，垃圾邮件有300封，出现单词购买的邮件为50封，而即是垃圾邮件又同时出现了购买这个单词的邮件共有20封。如果把垃圾邮件看成事件A，邮件里出现单词购买看成事件B，那么P(A)是指垃圾邮件出现的概率，因为没考虑其他的因素对A的影响，也可以将P(A)看做A的先验概率，这里：

P(A) = 300/1000 = 0.3

同理，

P(B) = 50/1000 = 0.05

P(A,B)是指A和B同时发生的概率，

P(A,B) = 20/1000 = 0.02

根据条件概率的公式，能够得到

P(A|B) = 0.02 / 0.05 = 0.4

因为有B的影响，P(A|B)也叫做A的后验概率。

1.2、相互独立事件

如果事件A和B是相互独立的，代表着A发生的可能性对B发生的可能性没有影响，B也对A没有影响，在这种情况下，

P(A,B) = P(A)*P(B) 

既然A和B之间没有相互影响，那么

P(A|B) = P(A,B)/P(B) 
        = P(A)
P(B|A) = P(A,B)/P(A) 
        = P(B)

1.3、贝叶斯定理

由

P(A|B) = P(A,B)/P(B)

很容易推出：

P(A|B) = P(B|A)*P(A)/P(B)

这也就是贝叶斯公式了。

1.4、朴素贝叶斯分类器（naive Bayes classifier）

首先有以下定理：

如果B、C相互独立，那么P(B|C,A) = P(B|A)。

设有事件A、B1、B2，那么在B1、B2同时发生的前提下，A发生的概率是：

P(A|B1,B2) = P(B1,B2|A)*P(A) / P(B1,B2)

如果B1和B2相互独立，那么有

P(B1,B2|A) = P（B1|B2,A)*P(B2|A)
            = P(B1|A)*P(B2|A)

于是，

P(A|B1,B2) = P(B1,B2|A)*P(A) / P(B1,B2)
            = P(B1|A)*P(B2|A)*P(A) / P(B1,B2)

下面套用一下阮一峰博客中的内容。

阮一峰博客内容->start

假设某个体有n项特征（Feature），分别为F1、F2、...、Fn。现有m个类别（Category），分别为C1、C2、...、Cm。贝叶斯分类器就是计算出概率最大的那个分类，也就是求下面这个算式的最大值：

P(C|F1,F2,...,Fn)
　　= P(F1,F2,...,Fn|C)*P(C) / P(F1,F2,...,Fn)

由于 P(F1,F2,...,Fn)对于所有的类别都是相同的，可以省略，问题就变成了求

P(F1,F2,...,Fn|C)*P(C)

的最大值。 朴素贝叶斯分类器则是更进一步，假设所有特征都彼此独立，因此

P(F1,F2,...,Fn|C)*P(C)
　　= P(F1|C)*P(F2|C)* ... *P(Fn|C)*P(C)

阮一峰博客内容->end

朴素贝叶斯分类器假设所有特征都彼此独立存在一定的不合理性，不过该分类器一般能取得很好的分类效果。

2、判断邮件是否为垃圾邮件

判断邮件是否为垃圾邮件虽然是一个二元判断，不过通过朴素贝叶斯分类器得到的结果是一封邮件属于（或者不属于）垃圾邮件的可能性。

假定我们现在有1000封被标识的邮件作为训练集，训练集一般是人工标识，分为“垃圾邮件”、“正常邮件”。注意，训练集不宜人为地从大量邮件中有意挑拣，而应随机挑拣。

然后我们从邮件中选取特征，例如我们把单词“购买”是否出现在邮件中看作是该邮件的一个特征，训练时候应该记录含有单词“购买”的垃圾邮件有多少封，含有单词“购买”的正常邮件有多少封，按照这个思路，我们得到以下表格：

好了，现在有一封邮件需要分类，假设它有购买、淘宝、开心、编程四个特征，那么其属于正常邮件的可能性是：

10/98 * 8/98 * 60/98 * 20/98 * 98/222
=  0.000459

属于垃圾邮件的可能性是：

50/124 * 56/124 * 3/124 * 15/124 * 124/222
=   0.00029768

结果是该邮件更有可能是正常邮件。

如果邮件只有有开心和编程两个特征，那么其属于正常邮件的可能性是：

60/98 * 20/98 * 98/222
= 0.0551571

属于垃圾邮件的可能性是：

3/124 * 15/124 * 124/222
= 0.0016346992153443768

结果是该邮件更有可能是正常邮件。

3、让分类器更合理

如果我们的统计结果是这样的：

具有特征开心的垃圾邮件有0封。如果某封邮件具有购买、淘宝、开心这三个特征，按照上面的思路，该邮件属于正常邮件的可能性是：

10/101 * 8/101 * 63/101 * 101/222
= 0.00222553

属于垃圾邮件的可能性是：

50/121 * 56/121 * 0/121 * 121/222
= 0

这意味着，只要邮件里有“开心”，那么它就不是垃圾邮件（属于垃圾邮件的可能性为0），这显然是不合理的。

对此，我们可以对P(F1|C)（以及P(F2|C)、P(F3|C)等）做如下处理（加权平均）：

P2(F1|C) = (1*0.5 + sum(F1)*P(F1|C)) / (1 + sum(F1))
          = (0.5 + sum(F1)*P(F1|C)) / (1 + sum(F1))

其中，若F1是开心，那么sum(F1) = 63+0 = 63。

于是，属于正常邮件的可能性是：

((0.5 + 10/101 * 60) / 61) * ((0.5 + 8/101 * 64) / 65) * ((0.5 + 63/101 * 63) / 64) * 101/222
=0.0025593104680632236

属于垃圾邮件的可能性是：

((0.5 + 50/121 * 60) / 61) * ((0.5 + 56/121 * 64) / 65) * ((0.5 + 0/121 * 63) / 64) * 121/222
= 0.0008181611103439531

这封邮件还是倾向于正常邮件，不过计算方式更合理了。

4、如何由计算结果判断类别

如果计算出一封邮件属于正常邮件的概率是0.05，属于垃圾邮件的概率是0.006，基本可以肯定这是一封正常邮件。不过，如果一封邮件属于正常邮件的概率是0.05，属于垃圾邮件的概率是0.049，那么这封邮件是否该划分为垃圾邮件？也许在这个时候就要在训练之后再填上一个分类了——不确定分类。

首先，设定一个阈值T（大于1），待标注数据D，两个分类C0和C1，如果：

P(C0|D) / P(C1|D) > T

那么，D属于类别C0。如果：

P(C1|D) / P(C0|D) > T

那么，D属于类别C1。

5、如果有多个类别

对于朴素贝叶斯分类器而言，多个分类和二分类没什么差别，就是训练的时候多加个分类而已。

6、参考资料

朴素贝叶斯分类器的应用
Programming Collective Intelligence
Naive Bayes and Logistic Regression

( 本文完 )