nltk 自己训练模型例子

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

1. #coding=utf-8  
2. import random, nltk  
3. from nltk.corpus import names  
4.   
5. def gender_features(word):  
6.     '''''提取每个单词的最后一个字母作为特征'''  
7.     return {'last_letter': word[-1]}  
8. # 先为原始数据打好标签  
9. labeled_names = ([(name, 'male') for name in names.words('male.txt')] + [(name, 'female') for name in names.words('female.txt')])  
10. # 随机打乱打好标签的数据集的顺序，  
11. random.shuffle(labeled_names)  
12. # 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）  
13. featuresets = [(gender_features(name), gender) for (name, gender) in labeled_names]  
14. # 将特征集划分成训练集和测试集  
15. train_set, test_set = featuresets[500:], featuresets[:500]  
16. # 使用训练集训练模型（核心就是求出各种后验概率）  
17. classifier = nltk.NaiveBayesClassifier.train(train_set)  
18. # 通过测试集来估计分类器的准确性  
19. print(nltk.classify.accuracy(classifier, test_set))  
20. # 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  
21. print(classifier.classify({'last_letter': 'a'}))  
22. # 找出最能够区分分类的特征值  
23. classifier.show_most_informative_features(5)  

以上程序的输出如下：

[plain] view
plain copy

1. 0.754  
2. female  
3. Most Informative Features  
4.              last_letter = u'a'           female : male   =     35.6 : 1.0  
5.              last_letter = u'k'             male : female =     30.7 : 1.0  
6.              last_letter = u'f'             male : female =     16.6 : 1.0  
7.              last_letter = u'p'             male : female =     12.5 : 1.0  
8.              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

1. #!/usr/local/bin/python2.7  
2. # encoding: utf-8  
3. from collections import defaultdict  
4. import nltk  
5.   
6. def gender_features(appnamelist):  
7.     features = defaultdict(bool)  
8.     for appname in appnamelist:  
9.         features[appname] = True  
10.     return features  
11.   
12. if __name__ == '__main__':  
13.     raw_data = defaultdict(lambda: defaultdict(list))  
14.     with open('data/genderapplist.log') as f:  
15.         for line in f:  
16.             cells = line.strip().split('\t')  
17.             if len(cells) == 3:  
18.                 imei, gender, appname = cells  
19.                 gender = 'male' if gender == '男性应用' else 'female'  
20.                 raw_data[gender][imei].append(appname)  
21.       
22.     labeled_applist = [(appnamelist, 'male') for appnamelist in raw_data['male'].values()] + [(appnamelist, 'female') for appnamelist in raw_data['female'].values()]  
23.     featuresets = [(gender_features(appnamelist), gender) for appnamelist, gender in labeled_applist]  
24.     train_set, test_set = featuresets[500:], featuresets[:500]  
25.     classifier = nltk.NaiveBayesClassifier.train(train_set)  
26.       
27.     # 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：  
28.     # _label_probdist 保存了标签的分布  
29.     # _feature_probdist 保存了每个APPNAME对应的后验分布  
30.     # 通过下面的代码我们可以看到它们的值  
31.     print '以下是 _label_probdist的相关信息'  
32.     print '1. 类型'   
33.     print type(classifier._label_probdist)  
34.     print '2. 标签的整体分布状况'  
35.     classifier._label_probdist.freqdist().tabulate()  
36.     print '3. 由第二步推出的标签的概率分布'  
37.     print classifier._label_probdist.prob('female'), classifier._label_probdist.prob('male')  
38.       
39.     print '*' * 32  
40.       
41.     # _feature_probdist的值  
42.     print '以下是 _feature_probdist的相关信息'  
43.     print '1. 类型'  
44.     print type(classifier._feature_probdist)  
45.     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'  
46.     print classifier._feature_probdist.items()[6302]  
47.     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'  
48.     classifier._feature_probdist.items()[6302][1].freqdist().tabulate()  
49.     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'  
50.     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'  
51.     print classifier._feature_probdist.items()[6302][1].prob(True)  
52.     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'  
53.     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'  
54.     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'  
55.     print classifier.classify({'蘑菇街':True, '支付宝钱包': True})  
56.     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'  
57.     print 'Prob(female)', classifier.prob_classify({'蘑菇街':True, '支付宝钱包': True}).prob('female')  
58.     print 'Prob(male)', classifier.prob_classify({'蘑菇街':True, '支付宝钱包': True}).prob('male')  
59.     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'  
60.     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')  
61.     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

1. 以下是 _label_probdist的相关信息  
2. 1. 类型  
3. <class 'nltk.probability.ELEProbDist'>  
4. 2. 标签的整体分布状况  
5. female male   
6. 4910 4420   
7. 3. 由第二步推出的标签的概率分布  
8. 0.526256564141 0.473743435859  
9. ********************************  
10. 以下是 _feature_probdist的相关信息  
11. 1. 类型  
12. <type 'dict'>  
13. 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  
14. (('female', '\xe6\x94\xaf\xe4\xbb\x98\xe5\xae\x9d\xe9\x92\xb1\xe5\x8c\x85'), <ELEProbDist based on 4910 samples>)  
15. 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  
16. None True   
17. 4833   77   
18. 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  
19. 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  
20. 0.0157809000204  
21. 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  
22. 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  
23. 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  
24. female  
25. 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  
26. Prob(female) 0.994878529146  
27. Prob(male) 0.00512147085357  
28. 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  
29. Prob(female) 0.994878529146  
30. 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。