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。
[python] view plain copy #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)
以上程序的输出如下： [plain] view plain copy 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 从结果中，我们可以看到，通过训练集训练出的模型，在应用到测试集上时，其准确率为75%；如果一个人的名字以字母‘a’结束，那么此分类器将其划分为女性；最后输出了最能区分男女的5个属性值的数据，比如，对于字母‘a’来说，它作为女性名的最后一个字母的可能性是男性的35倍。
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）：
[python] view plain copy #!/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：
[plain] view plain copy 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。 相关资源：nltk-trainer, 用零代码训练NLTK对象.zip
