在上⼀篇⽂章中我们使⽤最邻近算法knn实现医学中乳腺癌的判别，本⽂继续探讨分类算法，该算法是朴素贝叶斯分类算法，它有着⾮常多的优点，具体表现在简单、快速、有效，对噪声数据和缺失数据不敏感，⽽且还可以得到分类结果的概率值。
算法思想
该算法根据训练数据集的取值计算已知分类的各种概率，在完成学习的过程后，如果将⼀个未分类的样本带⼊到算法中，分类器根据样本的特征计算概率并将其判为应该属于的类。
贝叶斯条件概率
上⽂中提到的概率都是基于贝叶斯条件概率公式计算所得，具体公式如下：
该公式表⽰，已知事件B发⽣的条件下，事件A发⽣的概率。举个例⼦说，已知某⼈吸烟的情况下，其可能得肺癌的概率就可以根据该公式计算所得。
这⾥需要注意的是，贝叶斯条件概率计算的是某事件发⽣的概率，所以对原始数据有⼀个潜在的假设，即变量值尽可能的离散化（成为独⽴的事件），如果变量值是⼤量的连续数据，算法可能得到不理想的分类结果。
应⽤--垃圾短信识别
⼀、读取数据
sms_rawdata <- read.csv(file = file.choose(), header = TRUE, stringsAsFactors = FALSE)
#查看数据前6⾏
head(sms_rawdata)
#查看数据概要
str(sms_rawdata)
由于短信的类型是分类变量，这⾥进⼀步将其处理为因⼦
sms_rawdata$type <- factor(sms_rawdata$type)
#查看短信类型的数量
table(sms_rawdata$type)
笔记本怎么用
prop.table(table(sms_rawdata$type))
垃圾短信有747条，占了13.4%的⽐重。
⼆、⽂本处理
在⽂本分析之前需要使⽤tm包将⽂本处理⼲净，主要是⽂本信息中含有的⼀些没有意义的内容，如标点符号、数字、停⽌词等。#下载并加载tm包
if(!suppressWarnings(require('tm'))){
install.packages('tm')
require('tm')
}
#⾸先将⽂本数据导⼊为语料库(Corpus函数)
sms_corpus <- Corpus(VectorSource(sms_rawdata$text))
#查看语料库
sms_corpus
发现语料库中包含5558个⽂件即短信。
使⽤tm_map函数将没有意义的信息剔除
#所有单词转化为⼩写
sms_clean <- tm_map(sms_corpus,content_transformer(tolower))
#剔除所有标点符号
sms_clean <- tm_map(sms_clean,removePunctuation)
#剔除所有数字
sms_clean <- tm_map(sms_clean,removeNumbers)
#剔除所有停⽌词，如a/the等，使⽤tm包⾃带的停⽌词
sms_clean <- tm_map(sms_clean,removeWords,stopwords())
#剔除所有空格
sms_clean <- tm_map(sms_clean,stripWhitespace)
创建符合贝叶斯算法的数据集（⽂档词条矩阵），矩阵的⾏表⽰短信条数，矩阵的列表⽰单词。
sms_dtm <- DocumentTermMatrix(x = sms_clean)
2023年春节高速免费时间sms_dtm
该⽂档词条矩阵包含了8300多列，超过了短信的条数，这将导致算法⽆法准确分类，为了减少矩阵的列数，我们将剔除同⼀个单词出现在少于5条短信的单词。这⾥的5表⽰总短信条数的0.1%。
#将⽂档词条矩阵转化为数据框
sms_dtm2 <- as.data.frame(inspect(sms_dtm))
sms_dtm2 <- sms_dtm2[,findFreqTerms(sms_dtm,5)]
dim(sms_dtm2)
[1] 5558 1542
#现在还剩1542列
三、⽂本探索
在建模之前，我们对⽂本进⾏⼀个初步的探索--词云
#下载并加载wordcloud包
if(!suppressWarnings(require('wordcloud'))){
install.packages('wordcloud')
require('wordcloud')
}
#绘制⽂字云
par(bg='black')
wordcloud(words = sms_clean, min.freq = 50, scale = c(2.5,0.5),colors=rainbow(10))
四、建模
由于⽂档词条矩阵中的数值表⽰某个单词出现在⼀条短信中的次数，所以需要将连续数值离散化，这⾥将⼤于等于1的值⽤YES表⽰，否则⽤NO表⽰。
#构建离散化的⾃定义函数
numtochar <- function(x){
ifelse(x >= 1, 'YES', 'NO')
}
#将⾃定义函数应⽤到数据框中的每⼀列幼儿评语>笔记本无线网卡开关
sms_dtm2 <- sapply(sms_dtm2, numtochar)
#创建训练集和测试集
set.seed(1234)
index <- sample(1:2, size = nrow(sms_rawdata), replace = TRUE, prob = c(0.7,0.3))
train_data <- sms_dtm2[index == 1,]
train_Y <- sms_rawdata[index == 1, 1]
test_data <- sms_dtm2[index == 2,]
test_Y <- sms_rawdata[index == 2, 1]
五、函数简介
接下来使⽤klaR包中的NaiveBayes()函数实现贝叶斯分类算法，NaiveBayes()函数的语法和参数如下：
NaiveBayes(formula, data, ..., subset, na.action = na.pass)
NaiveBayes(x, grouping, prior, usekernel = FALSE, fL = 0, ...)
formula指定参与模型计算的变量，以公式形式给出，类似于y=x1+x2+x3；
data⽤于指定需要分析的数据对象；
na.action指定缺失值的处理⽅法，默认情况下不将缺失值纳⼊模型计算，也不会发⽣报错信息，当设为“na.omit”时则会删除含有缺失值的样本；
x指定需要处理的数据，可以是数据框形式，也可以是矩阵形式；
grouping为每个观测样本指定所属类别；
prior可为各个类别指定先验概率，默认情况下⽤各个类别的样本⽐例作为先验概率；
usekernel指定密度估计的⽅法（在⽆法判断数据的分布时，采⽤密度密度估计⽅法），默认情况下使
⽤标准的密度估计，设为TRUE时，则使⽤核密度估计⽅法；
fL指定是否进⾏拉普拉斯修正，默认情况下不对数据进⾏修正，当数据量较⼩时，可以设置该参数为1，即进⾏拉普拉斯修正。
#下载并加载klaR包
if(!suppressWarnings(require('klaR'))){
install.packages('klaR')
require('klaR')
刘丛丹主演电视剧}
#使⽤训练集建模
model <- NaiveBayes(x = train_data, grouping = train_Y, fL = 1)
#使⽤测试集对模型的准确性进⾏鉴定
pre <- predict(model, newdata = test_data)
乔家的儿女叶小朗Freq <- table(pre$class, test_Y)
Freq
accuracy <- sum(diag(Freq))/sum(Freq)
accuracy
模型的准确率近98%。
本⽂不⾜之处主要是没能够使⽤中⽂短信作为案例，如果条件允许，能够搜集到⼤量的中⽂短信或邮件，我还是想再⾛⼀遍流程。关于中⽂⽂本的分析，会多⼀个分词的步骤，其余基本上和英⽂⽂本分析步骤⼀致。
下载链接
⽂中的数据和脚本可到如下链接中下载：
总结：⽂章使⽤到的R包和函数
read.csv()
table()
发布评论