利用朴素贝叶斯分类方法预测一个数据对象类别,带你理解朴素贝叶斯分类算法
00-1010贝叶斯分类算法代码实例数据集data.txt代码实现输出结果使用场景
00-1010贝叶斯分类算法是统计学的一种分类方法，是一种利用概率统计知识的分类算法。在许多场合，朴素贝叶斯(NB)分类算法可以与决策树和神经网络分类算法相比较。该算法适用于大型数据库，具有方法简单、分类精度高、速度快等优点。
贝叶斯定理假设一个属性值对给定类别的影响独立于其他属性的值，但这种假设在实际情况下往往不成立，因此其分类精度可能下降。因此，许多贝叶斯分类算法，如TAN(tree augmented Bayes network)算法，被用来减少独立性假设。
那么既然是朴素贝叶斯分类算法，那么它的核心算法是什么呢？
它是下面的贝叶斯公式：
换个表达形式就清楚多了，如下：
我们终于可以找到P(类别特征)了！相当于完成了我们的任务。
00-1010这里以女生为例，提取除女生外的几个关键特征，比如颜值、性格、身高、上进心、资产作为择偶特征。通过前期研究等手段，获取一些数据样本，即各种特征和择偶结果(分类)数据集。根据数据集，使用朴素贝叶斯函数计算该分类下每个特征集的值。具有最大结果值的分类被认为该数据属于该分类。因为这是按概率计算的，可能不太准确。数据集的样本数据越大，准确率越高。
00-1010以下数据集每个代码行有一个样本数据，每个数据集中的具体特征用逗号“，”分隔，特征顺序如下
颜值，性格，身高，上进心，资产，女生喜欢的结果。
帅，好，高，上进，有钱，对不帅感兴趣，好，高，上进，有钱，对帅感兴趣，不好，高，上进，有钱，对帅感兴趣，好，不高，上进，有钱，对帅感兴趣，好，高，不上进，有钱。有事业心，不富有，对帅感兴趣，好，高，不上进，富有，对帅感兴趣，坏，高，不上进，富有，对帅感兴趣，好，高，上进，富有，对帅感兴趣，不好，高，上进，不富有，对帅感兴趣，不好，高，不上进，富有，个子不高，上进，有钱，对帅感兴趣，不好，个子不高，不上进，有钱，对帅不感兴趣，好，高，上进，不有钱，对帅感兴趣，好，个子不高，不上进，有钱，对帅感兴趣，好，高，不上进，不有钱，对帅不感兴趣，不好，个子高，不上进，有钱，有钱
目录
导入Java . io . buffered reader；导入Java . io . file；导入Java . io . file inputstream；导入Java . io . inputstreamreader；导入Java . util . *；导入Java . util . stream . collectors；/* * * @ authorliuya */public类naivebayesmodel {//示例数据私有静态listliststringdata=new ArrayList()；//sample data private static set list string dataset=new hashset()；//分类模型公共静态mapstring，string模型map=new hashmap()；//示例数据集私有静态字符串路径=。/src/data . txt ；public static void main(string[]args){//training model training model()；//识别分类(帅，好，高，上进，有钱)；分类(不帅，不好，不高，没上进心，不有钱)；}/* * *导入数据* @ param path * @ return */public static void读取数据(字符串路径){
List<String> row = null; try { InputStreamReader isr = new InputStreamReader(new FileInputStream(new File(path))); BufferedReader br = new BufferedReader(isr); String str = null; while((str = br.readLine()) != null){ row = new ArrayList<>(); String[] str1 = str.split(","); for(int i = 0; i < str1.length ; i++) { row.add(str1[i]); } dataSet.add(row); data.add(row); } br.close(); isr.close(); } catch (Exception e) { e.printStackTrace(); System.out.println("读取文件内容出错！"); } } public static void trainingModel() { readData(path); String category1="中意"; String category2="不中意"; dataSet.forEach(e->{ double categoryP1= calculateBayesian(e.get(0),e.get(1),e.get(2),e.get(3),e.get(4),category1); double categoryP2= calculateBayesian(e.get(0),e.get(1),e.get(2),e.get(3),e.get(4),category2); String result=categoryP1>categoryP2?category1:category2; modelMap.put(e.get(0)+"-"+e.get(1)+"-"+e.get(2)+"-"+e.get(3)+"-"+e.get(4),result); }); } /** * 分类的识别 * */ public static void classification(String look, String character, String height, String progresses, String wealthy){ String key=look+"-"+character+"-"+height+"-"+progresses+"-"+wealthy; String result=modelMap.get(key); System.out.println("特征为"+look+","+character+","+height+","+progresses+","+wealthy+"的对象，女生"+result); } /** * 分类的核心是比较朴素贝叶斯的结果值，结果值大的认为就属于该分类（会有误差，数据集量越大，结果判定的准确率就会越高）由于分母相同可以直接比较分子来确定分类 * */ public static double calculateBayesian(String look, String character, String height, String progresses, String wealthy,String category) { //获取P(xy)的分母 // double denominator = getDenominator(look,character,height,progresses,wealthy); //获取P(xy)的分子 double molecule = getMolecule(look,character,height,progresses,wealthy,category); return molecule/1; } /** * 获取p(xy)分子 * @return */ public static double getMolecule(String look, String character, String height, String progresses, String wealthy,String category) { double resultCP = getProbability(5, category); double lookCP = getProbability(0, look, category); double characterCP = getProbability(1, character, category); double heightCP = getProbability(2, height, category); double progressesCP = getProbability(3, progresses, category); double wealthyCP = getProbability(4, wealthy, category); return lookCP * characterCP * heightCP * progressesCP * wealthyCP * resultCP; } /** * 获取p(xy)分母 * @return */ public static double getDenominator(String look, String character, String height, String progresses, String wealthy) { double lookP = getProbability(0, look); double characterP = getProbability(1, character); double heightP = getProbability(2, height); double progressesP = getProbability(3, progresses); double wealthyP = getProbability(4, wealthy); return lookP * characterP * heightP * progressesP * wealthyP; } /** * 获取某特征的概率 * @return */ private static double getProbability(int index, String feature) { int size = data.size(); int num = 0; for (int i = 0; i < size; i++) { if (data.get(i).get(index).equals(feature)) { num++; } } return (double) num / size; } /** * 获取某类别下某特征的概率 * @return */ private static double getProbability(int index, String feature, String category) { List<List<String>> filterData=data.stream().filter(e -> e.get(e.size() - 1).equals(category)).collect(Collectors.toList()); int size =filterData.size(); int num = 0; for (int i = 0; i < size; i++) { if (data.get(i).get(index).equals(feature)) { num++; } } return (double) num / size; }}
输出结果
使用场景
比如网站垃圾信息分类，文章自动分类，网站垃圾邮件分类，文件分类等。
以反垃圾啊邮件为例说明分类算法的使用，先将批量已经分类的邮件样本（如5000封正常的邮件，2000封垃圾邮件），输入分类算法进行训练，得到一个垃圾邮件分类模型，然后利用分类算法结合分类模型对待处理邮件进行分类识别。
根据已经分类的样本信息提取出一组特征信息的概率，比如邮件中信用卡这个词出现在垃圾邮件的中的概率为20%，在非垃圾邮件的概率为1%，就得到一个分类模型。然后从待识别处理的邮件中提取特征值，结合分类模型，就可以判断其分类是不是垃圾邮件。由于贝叶斯算法得到的分类判断是概率值，所以可能会出现误判。
以上就是Java利用朴素贝叶斯分类算法实现信息分类的详细内容，更多关于Java 信息分类的资料请关注盛行IT其它相关文章！
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。