NLTK是Python的一个自然语言处理的模块，其中实现了朴素贝叶斯分类算法。以下，就使用上一篇文中提到的数据，来应用这个模块实现朴素贝叶斯分类。NLTK的实现更加泛化，所以在应用到我们的数据上时需要做一点的转化。
首先来看一下NLTK官方文档中给出的一个简单明了的例子，在了解这个例子之后，再设法将同样的模型应用到自己的数据集上。官方给出的例子是英文名中，在知道名字中最后一个字母后，判断这个名字对应的人是男是女。
- #coding=utf-8
- import random, nltk
- from nltk.corpus import names
- def gender_features(word):
- '''''提取每个单词的最后一个字母作为特征'''
- return {'last_letter': word[-1]}
- # 先为原始数据打好标签
- labeled_names = ([(name, 'male') for name in names.words('male.txt')] + [(name, 'female') for name in names.words('female.txt')])
- # 随机打乱打好标签的数据集的顺序，
- random.shuffle(labeled_names)
- # 从原始数据中提取特征（名字的最后一个字母， 参见gender_features的实现）
- featuresets = [(gender_features(name), gender) for (name, gender) in labeled_names]
- # 将特征集划分成训练集和测试集
- train_set, test_set = featuresets[500:], featuresets[:500]
- # 使用训练集训练模型（核心就是求出各种后验概率）
- classifier = nltk.NaiveBayesClassifier.train(train_set)
- # 通过测试集来估计分类器的准确性
- print(nltk.classify.accuracy(classifier, test_set))
- # 如果一个人的名字的最后一个字母是‘a’，那么这个人是男还是女
- print(classifier.classify({'last_letter': 'a'}))
- # 找出最能够区分分类的特征值
- classifier.show_most_informative_features(5)
- 0.754
- female
- Most Informative Features
- last_letter = u'a' female : male = 35.6 : 1.0
- last_letter = u'k' male : female = 30.7 : 1.0
- last_letter = u'f' male : female = 16.6 : 1.0
- last_letter = u'p' male : female = 12.5 : 1.0
- last_letter = u'm' male : female = 11.1 : 1.0
可以看到NLTK的朴素贝叶斯实现之中，它的输入的训练集的输入是类似于以下的形式：
[
({'attr1':val1, 'attr2': val2, 'attr3': val3 ... 'attrn': valn}, label1),
({'attr1':val1, 'attr2': val2, 'attr3': val3 ... 'attrn': valn}, label2),
......
]
其中，每个特征对应一个标签，在以上的官方的例子中，特征就只有一个，last_letter；而特征的可能值是26个字母。对应到自己的数据，对应一个用户就不止有一个特征了，而是用户安装的APP名称列表，同时又由于每个用户安装的APP可能不同，所以不同的用户所对应的特征的长度也是可能不同的；而每个属性（APP名称）对应的值只有两个：安装或者没安装。
以下的代码中的注释以及输出说明了整个转化过程（使用了上篇文章中第三步中生成的数据）：
- #!/usr/local/bin/python2.7
- # encoding: utf-8
- from collections import defaultdict
- import nltk
- def gender_features(appnamelist):
- features = defaultdict(bool)
- for appname in appnamelist:
- features[appname] = True
- return features
- if __name__ == '__main__':
- raw_data = defaultdict(lambda: defaultdict(list))
- with open('data/genderapplist.log') as f:
- for line in f:
- cells = line.strip().split('\t')
- if len(cells) == 3:
- imei, gender, appname = cells
- gender = 'male' if gender == '男性应用' else 'female'
- raw_data[gender][imei].append(appname)
- labeled_applist = [(appnamelist, 'male') for appnamelist in raw_data['male'].values()] + [(appnamelist, 'female') for appnamelist in raw_data['female'].values()]
- featuresets = [(gender_features(appnamelist), gender) for appnamelist, gender in labeled_applist]
- train_set, test_set = featuresets[500:], featuresets[:500]
- classifier = nltk.NaiveBayesClassifier.train(train_set)
- # 在训练生成的分类器classifier中，有两个属性存储着贝叶斯分类器所需要的先验和后验概率：
- # _label_probdist 保存了标签的分布
- # _feature_probdist 保存了每个APPNAME对应的后验分布
- # 通过下面的代码我们可以看到它们的值
- print '以下是 _label_probdist的相关信息'
- print '1. 类型'
- print type(classifier._label_probdist)
- print '2. 标签的整体分布状况'
- classifier._label_probdist.freqdist().tabulate()
- print '3. 由第二步推出的标签的概率分布'
- print classifier._label_probdist.prob('female'), classifier._label_probdist.prob('male')
- print '*' * 32
- # _feature_probdist的值
- print '以下是 _feature_probdist的相关信息'
- print '1. 类型'
- print type(classifier._feature_probdist)
- print '2. 从1的输出中可以看到其类型为dict，我们看它的一个key和value即可'
- print classifier._feature_probdist.items()[6302]
- print '3. 从2中可以看到，其代表了，在标签为female的情况下，安装了支付宝钱包这个应用的概率分布'
- classifier._feature_probdist.items()[6302][1].freqdist().tabulate()
- print '4. 3的输出，我们非常熟悉，也就是在所有4910个female用户中，有77个安装了支付宝钱包，没有安装的有4833个'
- print '有了这个分布，我们就可以计算出P(True|female, 支付宝钱包)，其意义就是，在female用户中，支付宝钱包这个属性为True的可能性为'
- print classifier._feature_probdist.items()[6302][1].prob(True)
- print '5. 然后你会发现4中输出的P(True|female, 支付宝钱包)并不正好等于77./4910，这是因为使用ELEProbDist'
- print '也就是“期望相似性概率估计”，这种方法避免了P(True|female, 支付宝钱包)=0情况的出现，从而避免模型失效'
- print '6. 通过在训练集上的训练，我们得到了以上的概率分布，然后就可以使用训练好的模型来分类了，我们看一下安装了蘑菇街和支付宝钱包的用户是男还是女'
- print classifier.classify({'蘑菇街':True, '支付宝钱包': True})
- print '7. 让我们看一下安传过了蘑菇街和支付宝钱包的用户男女的可能性'
- print 'Prob(female)', classifier.prob_classify({'蘑菇街':True, '支付宝钱包': True}).prob('female')
- print 'Prob(male)', classifier.prob_classify({'蘑菇街':True, '支付宝钱包': True}).prob('male')
- print '8. 如果我们的输入中，有一个全新的应用“这个应用不存在”,这里的处理是不处理它'
- print 'Prob(female)', classifier.prob_classify({'蘑菇街':True, '支付宝钱包': True, '这个应用不存在':True}).prob('female')
- print 'Prob(male)', classifier.prob_classify({'蘑菇街':True, '支付宝钱包': True, '这个应用不存在':True}).prob('male')
以上程序的输出为：
- 以下是 _label_probdist的相关信息
- 1. 类型
- <class 'nltk.probability.ELEProbDist'>
- 2. 标签的整体分布状况
- female male
- 4910 4420
- 3. 由第二步推出的标签的概率分布
- 0.526256564141 0.473743435859
- ********************************
- 以下是 _feature_probdist的相关信息
- 1. 类型
- <type 'dict'>
- 2. 从1的输出中可以看到其类型为dict，我们看它的一个key和value即可
- (('female', '\xe6\x94\xaf\xe4\xbb\x98\xe5\xae\x9d\xe9\x92\xb1\xe5\x8c\x85'), <ELEProbDist based on 4910 samples>)
- 3. 从2中可以看到，其代表了，在标签为female的情况下，安装了支付宝钱包这个应用的概率分布
- None True
- 4833 77
- 4. 3的输出，我们非常熟悉，也就是在所有4910个female用户中，有77个安装了支付宝钱包，没有安装的有4833个
- 有了这个分布，我们就可以计算出P(True|female, 支付宝钱包)，其意义就是，在female用户中，支付宝钱包这个属性为True的可能性为
- 0.0157809000204
- 5. 然后你会发现4中输出的P(True|female, 支付宝钱包)并不正好等于77./4910，这是因为使用ELEProbDist
- 也就是“期望相似性概率估计”，这种方法避免了P(True|female, 支付宝钱包)=0情况的出现，从而避免模型失效
- 6. 通过在训练集上的训练，我们得到了以上的概率分布，然后就可以使用训练好的模型来分类了，我们看一下安装了蘑菇街和支付宝钱包的用户是男还是女
- female
- 7. 让我们看一下安传过了蘑菇街和支付宝钱包的用户男女的可能性
- Prob(female) 0.994878529146
- Prob(male) 0.00512147085357
- 8. 如果我们的输入中，有一个全新的应用“这个应用不存在”,这里的处理是不处理它
- Prob(female) 0.994878529146
- Prob(male) 0.00512147085357
这样通过使用NLTK，相比自己实现来说有了更简洁的代码，并且更容易维护，希望对有需要的同学有帮助。
