机器学习实战：朴素贝叶斯分类与K-Means聚类算法详解（附情感分析与客户分群案例）-拓冰建站

前言

在机器学习的世界里，有监督学习与无监督学习如同“两条腿”并驾齐驱。而朴素贝叶斯（Naïve Bayes）和K-Means聚类，分别是这两大分支中最为经典、应用广泛的入门级算法。
朴素贝叶斯基于贝叶斯定理，借助“特征条件独立”这一强力假设，将复杂的联合概率计算大大简化，在文本分类、垃圾邮件过滤、情感分析等任务中表现高效且稳健。

K-Means聚类则是一种典型的无监督学习算法，通过迭代寻找最优的聚类中心，将相似的样本自动归为一类，在用户画像、图像分割、异常检测等场景中扮演重要角色。

朴素贝叶斯

朴素贝叶斯介绍

常见的概率公式

条件概率：表示事件A在另外一个事件B已经发生条件下的发生概率，P(A|B)

在女神喜欢的条件下，职业是程序员的概率？

女神喜欢条件下，有 2、3、4、7 共 4 个样本
4 个样本中，有程序员 3、4 共 2 个样本
则 P(程序员|喜欢) = 2/4 = 0.5

联合概率：表示多个条件同时成立的概率，P(AB) = P(A) P(B|A)
特征条件独立性假设：P(AB) = P(A) P(B)

职业是程序员并且体型匀称的概率？

数据集中，共有 7 个样本
职业是程序员有 1、3、4 共 3 个样本，则其概率为：3/7
在职业是程序员，体型是匀称有 3 共 1 个样本，则其概率为：1/3
则即是程序员又体型匀称的概率为：3/7 * 1/3 = 1/7

联合概率 + 条件概率：

在女神喜欢的条件下，职业是程序员、体重超重的概率？ P(AB|C) = P(A|C) P(B|AC)

在女神喜欢的条件下，有 2、3、4、7 共 4 个样本
在这 4 个样本中，职业是程序员有 3、4 共 2 个样本，则其概率为：2/4=0.5
在在 2 个样本中，体型超重的有 4 共 1 个样本，则其概率为：1/2 = 0.5
则 P(程序员, 超重|喜欢) = 0.5 * 0.5 = 0.25

简言之：
条件概率：在去掉部分样本的情况下，计算某些样本的出现的概率，表示为：P(B|A)
联合概率：多个事件同时发生的概率是多少，表示为：P(AB) = P(B)*P(A|B)

贝叶斯公式

P© 表示 C 出现的概率
P(W|C) 表示 C 条件 W 出现的概率
P(W) 表示 W 出现的概率

P(C|W) = P(喜欢|程序员，超重)
P(W|C) = P(程序员，超重|喜欢)
P© = P(喜欢)
P(W) = P(程序员，超重)

根据训练样本估计先验概率P©：P(喜欢) = 4/7
根据条件概率P(W|C)调整先验概率：P(程序员,超重|喜欢) = 1/4
此时我们的后验概率P(C|W)为：P(程序员,超重|喜欢) * P(喜欢) = 4/7 * 1/4 = 1/7
那么该部分数据占所有既为程序员，又超重的人中的比例是多少呢？
1. P(程序员,超重) = P(程序员) * P(超重|程序员) = 3/7 * 2/3 = 2/7
2. P(喜欢|程序员, 超重) = 1/7 ➗ 2/7 = 0.5

朴素贝叶斯

贝叶斯概率计算过程中，需要计算 P(程序员,超重|喜欢) 和 P(程序员, 超重) 等联合概率，为了简化联合概率的计算，朴素贝叶斯在贝叶斯基础上增加：特征条件独立假设，即：特征之间是互为独立的。

此时，联合概率的计算即可简化为：

P(程序员,超重|喜欢) = P(程序员|喜欢) * P(超重|喜欢)
P(程序员,超重) = P(程序员) * P(超重)

拉普拉斯平滑系数

α 是拉普拉斯平滑系数，一般指定为 1
N_i是 F1 中符合条件 C 的样本数量
N 是在条件 C 下所有样本的总数
m 表示所有独立样本的总数

为了避免概率值为 0，在分子和分母分别加上一个数值，这就是拉普拉斯平滑系数的作用。

情感分析案例

api介绍

sklearn.naive_bayes.MultinomialNB(alpha = 1.0)

朴素贝叶斯分类
alpha：拉普拉斯平滑系数

商品评论情感分析

已知商品评论数据，根据数据进行情感分类（好评、差评

步骤分析

1）获取数据
2）数据基本处理
- 2.1）取出内容列，对数据进行分析
- 2.2）判定评判标准
- 2.3）选择停用词
- 2.4）把内容处理，转化成标准格式
- 2.5）统计词的个数
- 2.6）准备训练集和测试集
3）模型训练
4）模型评估

代码实现

importpandasaspdimportnumpyasnpimportjiebaimportmatplotlib.pyplotaspltfromsklearn.feature_extraction.textimportCountVectorizerfromsklearn.naive_bayesimportMultinomialNB

data=pd.read_csv("../data/书籍评价.csv",encoding='gbk')# 数据预处理# 添加labels列，充当标签列 1:好评 ，0：差评data['labels']=np.where(data['评价']=='好评',1,0)# 抽取labels列作为标签y=data['labels']# 对用户的评价内容做分词comment_list=[','.join(jieba.lcut(comment))forcommentindata['内容']]# 加载停用词列表，即：里面记录的词，不需要参与模型训练，预测，要被删除的词，例如：的，啊，哈，从，都withopen("../data/stopwords.txt",'r',encoding='utf-8')asf:# 一次性读取所有行stopwords_list=f.readlines()# 删除最后的\nstopwords_list=[stopword.strip()forstopwordinstopwords_list]# 对停用词列表进行去重stopwords_list=list(set(stopwords_list))# 创建向量化对象，从评论切词列表中删除停用词，并且统计词频transfer=CountVectorizer(stop_words=stopwords_list)# 参数：停用词列表# 统计词频矩阵x=transfer.fit_transform(comment_list).toarray()print(x)x_train=x[:10]y_train=y[:10]x_test=x[10:]y_test=y[10:]# 特征工程# 模型训练estimator=MultinomialNB()# 创建朴素贝叶斯对象estimator.fit(x_train,y_train)# 模型预测y_pre=estimator.predict(x_test)print(f"模型预测结果：{y_pre}")# 模型评估print(f"准确率：{accuracy_score(y_test,y_pre)}")

[[0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0] [0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0] [0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 1 1] [0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 1 0 0 0 1 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0] [0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0] [0 0 0 1 1 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0] [0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 1 1 0 0] [1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0] [0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 1 0 0] [0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0] [0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0] [0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 1 0 0] [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0]] 模型预测结果：[0 0 0] 准确率：1.0

聚类算法

聚类算法简介

聚类算法介绍

一种典型的无监督学习算法，主要用于将相似的样本自动归到一个类别中。

在聚类算法中根据样本之间的相似性，将样本划分到不同的类别中，对于不同的相似度计算方法，会得到不同的聚类结果，常用的相似度计算方法有欧式距离法。

聚类算法在现实中的应用

用户画像，广告推荐，Data Segmentation，搜索引擎的流量推荐，恶意流量识别
基于位置信息的商业推送，新闻聚类，筛选排序
图像分割，降维，识别；离群点检测；信用卡异常消费；发掘相同功能的基因片段

聚类API的初步使用

api介绍

sklearn.cluster.KMeans(n_clusters=8)

参数:
- n_clusters:开始的聚类中心数量
  - 整型，缺省值=8，生成的聚类数，即产生的质心（centroids）数。
方法:
- estimator.fit(x)
- estimator.predict(x)
- estimator.fit_predict(x)
  - 计算聚类中心并预测每个样本属于哪个类别,相当于先调用fit(x),然后再调用predict(x)

案例

随机创建不同二维数据集作为训练集，并结合k-means算法将其聚类，你可以尝试分别聚类不同数量的簇，并观察聚类效果：

importmatplotlib.pyplotaspltfromsklearn.datasetsimportmake_blobs# 默认会按照高斯分布生成数据集，只需要指定均值，标准差fromsklearn.clusterimportKMeans# 聚类的API，采用指定质心来分簇fromsklearn.metricsimportcalinski_harabasz_score# 评价指标，值越大，聚类效果越好# 准备数据集#参1：样本数量 参2：样本特征数量 参3：样本标签数量 参4：标准差 参5：随机种子x,y=make_blobs(n_samples=1000,n_features=2,centers=[[-1,-1],[0,0],[1,1],[2,2]],cluster_std=[0.4,0.2,0.2,0.2],random_state=23)# 绘制上述的图形# 参1：横坐标 参2：纵坐标 参3：颜色plt.scatter(x[:,0],x[:,1])plt.show()# 创建KMeans对象estimator=KMeans(n_clusters=4,random_state=23)# 模型训练和预测y_pre=estimator.fit_predict(x)# 预测值# 绘制预测结果plt.scatter(x[:,0],x[:,1],c=y_pre)plt.show()# 评价指标print(f'评价指标：{calinski_harabasz_score(x,y_pre)}')# 越大越好

Kmeans算法流程

k-means聚类流程

1、随机设置K个特征空间内的点作为初始的聚类中心

2、对于其他每个点计算到K个中心的距离，未知的点选择最近的一个聚类中心点作为标记类别

3、接着对着标记的聚类中心之后，重新计算出每个聚类的新中心点（平均值）

4、如果计算得出的新中心点与原中心点一样（质心不再移动），那么结束，否则重新进行第二步过程

通过下图解释实现流程：

k-means聚类动态效果图：

案例练习

1、随机设置K个特征空间内的点作为初始的聚类中心（本案例中设置p1和p2）

2、对于其他每个点计算到K个中心的距离，未知的点选择最近的一个聚类中心点作为标记类别

3、接着对着标记的聚类中心之后，重新计算出每个聚类的新中心点（平均值）

注意：这里P2′=(2.3,3.3)，下同。

4、如果计算得出的新中心点与原中心点一样（质心不再移动），那么结束，否则重新进行第二步过程【经过判断，需要重复上述步骤，开始新一轮迭代】

5、当每次迭代结果不变时，认为算法收敛，聚类完成，K-Means一定会停下，不可能陷入一直选质心的过程。

评价指标

SSE-误差平方和

K 表示聚类中心的个数
C_i表示簇
p 表示样本
m_i表示簇的质心

SSE 越小，表示数据点越接近它们的中心，聚类效果越好。

SC 系数

结合了聚类的凝聚度（Cohesion）和分离度（Separation），用于评估聚类的效果。

其计算过程如下：

计算每一个样本 i 到同簇内其他样本的平均距离 a_i，该值越小，说明簇内的相似程度越大
计算每一个样本 i 到最近簇 j 内的所有样本的平均距离 b_ij，该值越大，说明该样本越不属于其他簇 j
计算所有样本的平均轮廓系数
轮廓系数的范围为：[-1, 1]，值越大聚类效果越好

肘部法

肘部法可以用来确定 K 值.

对于n个点的数据集，迭代计算 k from 1 to n，每次聚类完成后计算 SSE
SSE 是会逐渐变小的，因为每个点都是它所在的簇中心本身。
SSE 变化过程中会出现一个拐点，下降率突然变缓时即认为是最佳 n_clusters 值。
在决定什么时候停止训练时，肘形判据同样有效，数据通常有更多的噪音，在增加分类无法带来更多回报时，我们停止增加类别。

CH 系数

CH 系数结合了聚类的凝聚度（Cohesion）和分离度（Separation）、质心的个数，希望用最少的簇进行聚类。

SSW 的含义：

C_pi表示质心
x_i表示某个样本
SSW 值是计算每个样本点到质心的距离，并累加起来
SSW 表示表示簇内的内聚程度，越小越好
m 表示样本数量
k 表示质心个数

SSB 的含义：

C_j表示质心，X 表示质心与质心之间的中心点，n_j表示样本的个数
SSB 表示簇与簇之间的分离度，SSB 越大越好

聚类评估的使用

# 定义函数，演示：SSE + 肘部法defdm01_sse():# 定义sse列表，记录每个k值的SSE值sse_list=[]# 生成数据集 参1：样本数量 参2：样本特征数量 参3：样本标签数量 参4：标准差 参5：随机种子x,y=make_blobs(n_samples=1000,n_features=2,centers=[[-1,-1],[0,0],[1,1],[2,2]],cluster_std=[0.4,0.2,0.2,0.2],random_state=23)# for循环遍历，获取每个k值，计算其对应的sse值，并添加到sseforkinrange(1,100):# 创建KMeans对象，指定 k值，迭代次数，随机种子estimator=KMeans(n_clusters=k,max_iter=100,random_state=23)# 训练模型estimator.fit(x)# 模型预测y_pred=estimator.predict(x)# 获取每个簇的sse值sse_value=estimator.inertia_# 将每个k值对应的sse值，添加到sse_list列表中sse_list.append(sse_value)# 绘制SSE曲线-数据可视化plt.figure(figsize=(20,10))plt.title("SSE value")plt.xticks(range(0,100,3))plt.xlabel('k')plt.ylabel('sse')plt.grid()# 参1：k值 参2：该k值对应的SSE值plt.plot(range(1,100),sse_list)plt.show()

fromsklearn.datasetsimportmake_blobsfromsklearn.clusterimportKMeansimportmatplotlib.pyplotaspltfromsklearn.metricsimportsilhouette_scorefromsklearn.metricsimportcalinski_harabasz_scoreif__name__=='__main__':x,y=make_blobs(n_samples=1000,n_features=2,centers=[[-1,-1],[0,0],[1,1],[2,2]],cluster_std=[0.4,0.2,0.2,0.2],random_state=9)plt.figure(figsize=(18,8),dpi=80)plt.scatter(x[:,0],x[:,1],c=y)plt.show()estimator=KMeans(n_clusters=4,random_state=0)estimator.fit(x)y_pred=estimator.predict(x)# 1. 计算 SSE 值print('SSE:',estimator.inertia_)# 2. 计算 SC 系数print('SC:',silhouette_score(x,y_pred))# 3. 计算 CH 系数

案例

案例介绍

已知：客户性别、年龄、年收入、消费指数

需求：对客户进行分析，找到业务突破口，寻找黄金客户

数据集共包含顾客的数据, 数据共有 4 个特征, 数据共有 200 条。接下来，使用聚类算法对具有相似特征的的顾客进行聚类，并可视化聚类结果。

案例实现

# 定义函数 找聚类的质心数（K值）defdm01_find_k():# 加载数据集data=ps.read_csv("../data/customers.csv")# 定义sse_list，sc_list，记录：不同k值的评估效果sse_list=[]#sse： 只考虑簇内，越小越好sc_list=[]# sc：考虑簇内和簇间，越大越好# 抽取特征x=data.iloc[:,3:5]# 定义for训练，测试不同k值的评估效果forkinrange(2,20):# 创建KMeans对象，指定 k值，迭代次数，随机种子estimator=KMeans(n_clusters=k,max_iter=100,random_state=23)# 训练模型estimator.fit(x)# 模型预测y_pred=estimator.predict(x)# 获取每个簇的sse值sse_value=estimator.inertia_# 将每个k值对应的sse值，添加到sse_list列表中sse_list.append(sse_value)sc_value=silhouette_score(x,y_pred)# 将每个k值对应的sc值，添加到sc_list列表中sc_list.append(sc_value)# 绘制折线图，看看k值哪个最好plt.figure(figsize=(20,10))plt.plot(range(2,20),sse_list,label='SSE')plt.legend()plt.show()plt.figure(figsize=(20,10))plt.plot(range(2,20),sc_list,label='SC')plt.legend()plt.show()# 结论：k=5的时候，效果最好

# 定义函数，实现：模型训练，模型预测、模型评估defdm02():data=ps.read_csv("../data/customers.csv")x=data.iloc[:,3:5]# k=5是之前通过上面方法获取到的estimator=KMeans(n_clusters=5,max_iter=100,random_state=23)estimator.fit(x)# 模型预测y_pre=estimator.predict(x)# 绘制5个簇的样本点 ->散点图plt.scatter(x.values[y_pre==0,0],x.values[y_pre==0,1],s=100,c='red',label='Standard')# [[15,39],[15, 81]...] 0号簇plt.scatter(x.values[y_pre==1,0],x.values[y_pre==1,1],s=100,c='blue',label='Traditional')# 1号簇plt.scatter(x.values[y_pre==2,0],x.values[y_pre==2,1],s=100,c='green',label='Normal')# 2号簇plt.scatter(x.values[y_pre==3,0],x.values[y_pre==3,1],s=100,c='cyan',label='Youth')# 3号簇plt.scatter(x.values[y_pre==4,0],x.values[y_pre==4,1],s=100,c='magenta',label='TA')# 4号簇# 绘制5个簇的质心 -> 散点图plt.scatter(estimator.cluster_centers_[:,0],estimator.cluster_centers_[:,1])plt.title('Clusters of Customers')plt.xlabel('Annual Income (k$)')plt.ylabel('Spending Score (1-100)')plt.legend()plt.show()