文本分类和朴素贝叶斯，你真的理解了吗？

整理 | fendouai

一、文本分类

1. 文本分类问题举例：

• • 
    
• 这是一个垃圾邮件吗？
  
  • 
    

• • 
    
• 电影评价是正面的还是负面的？
  
  • 
    

• • 
    
• 这篇文章的主题是什么？
  
  • 
    

2. 文本分类的应用

• • 
    
• 给文章确定分类，主题，流派
  
• 垃圾文本检测
  
• 原创鉴定
  
• 年龄，性别鉴定
  
• 语言鉴定
  
• 情感分析
  
  • 
    

3. 定义文本分类

• • 
    
• 输入：
  
  • 
    

                一个文本 d

                一组分类 C={c1,c2,…, cJ}

• • 
    
• 输出：
  
  • 
    

              一个预测的分类 c∈C

4. 分类方法

1）手写规则

• • 
    
• 黑名单邮件地址 或者  (元 或者 被选择)
  
• 如果规则是由专家定义的，准确率可能会很高。
  
• 但是建立和维护这些规则代价都是昂贵的。
  
  • 
    

2）有监督机器学习

• • 
    
• 输入：
  
  • 
    

                一个文本 d

                一组分类 C={c1,c2,…, cJ}

                一个手动打标的训练集 (d1,c1),....,(dm,cm)

• • 
    
• 输出：
  
  • 
    

                一个分类器 γ : d->c

• • 
    
• 分类器种类
  a. 朴素贝叶斯
  
  • 
    

       b. 逻辑回归

        c. 支持向量机

        d. K 近邻

二、朴素贝叶斯

1. 基于贝叶斯规则的简单分类方法

2. 依赖于简单的文本表示——词袋模型

1）词袋模型表示

2）词袋模型表示：使用单词的子集

词袋模型表示

3. 形式化朴素贝叶斯分类器

对于一个文档 d 和一个分类 c

MAP 是最大化后验概率，或者说：最有可能的类别。

根据贝叶斯规则，转化为

去掉共同的分母，转化为

文档 d 表示为 特征  x1 .. xn 

这个类别出现的概率是多少？我们可以只计算在语料中的相对的频率，这些参数是不是只有在非常非常大的训练集的情况下才能够确认。

4. 多项朴素贝叶斯独立假设

• • 
    
• 词袋模型假设：假设位置并不重要
  
• 条件假设：假设 特征概率 P(xi,cj)是独立的，在类别 c 给出的情况下。
  
  • 
    

可以推出以下等式：

多项朴素贝叶斯分类器

三、应用多项朴素贝叶斯分类器到文本分类

positions 在测试文档中所有的词位置