利用朴素贝叶斯对名字进行性别预测_机器读中文:根据名字判断性别

作者：从前慢现在也慢 | 2024-08-01 21:12:41

踩

机器读中文:根据名字判断性别

基于Python 3.5。

条件概率与贝叶斯定理
对于事件A和B，当B发生的情况下，A发生的条件概率为
P(A|B)=P(AB)P(B).
如果把P(AB)表示为P(B|A)P(A)，那么
P(A|B)=P(B|A)P(A)P(B).
朴素贝叶斯
朴素贝叶斯是一个基于贝叶斯定理的分类算法，其基本假设是所有特征是相互独立的。举个例子来说，有一个二元分类问题，每个样本只有两个二元特征X1和X2。若已知一个样本(X1=1,X2=0)，我们要预测它的标签为1的概率，就是等价于去计算
P(Y=1|X1=1,X2=0)
根据贝叶斯定理，我们可得
P(Y=1|X1=1,X2=0)=P(Y=1)P(X1=1,X2=0|Y=1)P(X1=1,X2=0)
其中P(Y=1)被称为先验（prior），P(X1=1,X2=0|Y=1)被称为似然（likelyhood），P(X1=1,X2=0)被成为证据（evidence）。

对于一个分类问题，如果我们只需要得到其标签，我们只需要求解
ypred=argmaxyP(Y=y)∏i=1nP(Xi|Y=y)
3. 实战练习
下面我们利用朴素贝叶斯对“机器读中文：根据名字判断性别”中的数据进行预测。首先下载，并读取数据。

    # -*- coding: utf-8 -*-
    
    import pandas as pd
    from collections import defaultdict
    import math

# 读取train.txt

    train = pd.read_csv('train.txt')
    test = pd.read_csv('test.txt')
    submit = pd.read_csv('sample_submit.csv')
1
2
3
4
5
6
7
8
9
10
11

看看训练集中的数据长什么样

train.head(10)
id name gender
0 1 闳家 1
1 2 玉璎 0
2 3 于邺 1
3 4 越英 0
4 5 蕴萱 0
5 6 子颀 0
6 7 靖曦 0
7 8 鲁莱 1
8 9 永远 1
9 10 红孙 1

把数据分为男女两部分

names_female = train[train['gender'] == 0]
names_male = train[train['gender'] == 1]
1
2

totals用来存放训练集中女生、男生的总数

totals = {'f': len(names_female),
          'm': len(names_male)}
1
2

分别计算在所有女生（男生）的名字当中，某个字出现的频率。这一步相当于是计算 P(Xi|女生)和P(Xi|男生)

frequency_list_f = defaultdict(int)
for name in names_female['name']:
    for char in name:
        frequency_list_f[char] += 1. / totals['f']

frequency_list_m = defaultdict(int)
for name in names_male['name']:
    for char in name:
        frequency_list_m[char] += 1. / totals['m']
print(frequency_list_f['娟'])
1
2
3
4
5
6
7
8
9
10

0.004144009000562539

print(frequency_list_m['钢'])
1

0.0006299685015749209
上面两个例子说明P(名字中含有娟|女生)=0.004144，P(名字中含有钢|男生)=0.0006299
考虑到预测集中可能会有汉字并没有出现在训练集中，所以我们需要对频率进行Laplace平滑（什么是Laplace平滑）。

def LaplaceSmooth(char, frequency_list, total, alpha=1.0):
    count = frequency_list[char] * total
    distinct_chars = len(frequency_list)
    freq_smooth = (count + alpha ) / (total + distinct_chars * alpha)
    return freq_smooth
1
2
3
4
5

base_f = math.log(1 - train['gender'].mean())
base_f += sum([math.log(1 - frequency_list_f[char]) for char in frequency_list_f])

base_m = math.log(train['gender'].mean())
base_m += sum([math.log(1 - frequency_list_m[char]) for char in frequency_list_m])

bases = {'f': base_f, 'm': base_m}
1
2
3
4
5
6
7

对于logP(Xi=1|Y)−logP(Xi=0|Y)部分，我们利用如下函数计算

def GetLogProb(char, frequency_list, total):
    freq_smooth = LaplaceSmooth(char, frequency_list, total)
    return math.log(freq_smooth) - math.log(1 - freq_smooth)
1
2
3

最后我们只需要组合以上函数，实现

ypred=argmaxyP(Y=y)P(X2=1|Y=y)∏ni=1P(Xi=0|Y=y)P(X2=0|Y=y)
def ComputeLogProb(name, bases, totals, frequency_list_m, frequency_list_f):
    logprob_m = bases['m']
    logprob_f = bases['f']
    for char in name:
        logprob_m += GetLogProb(char, frequency_list_m, totals['m'])
        logprob_f += GetLogProb(char, frequency_list_f, totals['f'])
    return {'male': logprob_m, 'female': logprob_f}

def GetGender(LogProbs):
    return LogProbs['male'] > LogProbs['female']

result = []
for name in test['name']:
    LogProbs = ComputeLogProb(name, bases, totals, frequency_list_m, frequency_list_f)
    gender = GetGender(LogProbs)
    result.append(int(gender))

submit['gender'] = result

submit.to_csv('my_NB_prediction.csv', index=False)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

最后结果输出在’my_NB_prediction.csv’中。

我们可以看看预测结果如何。

test[‘pred’] = result
test.head(20)
id name pred
0 0 辰君 0
1 1 佳遥 0
2 2 淼剑 1
3 3 浩苳 1
4 4 俪妍 0
5 5 秉毅 1
6 6 妍艺 0
7 7 海防 1
8 8 壬尧 1
9 9 珞千 0
10 10 义元 1
11 11 才君 1
12 12 吉喆 1
13 13 少竣 1
14 14 创海 1
15 15 熙兰 0
16 16 家冬 1
17 17 方荧 1
18 18 介二 1
19 19 钰泷 1
完整代码如下：

# -*- coding: utf-8 -*-

import pandas as pd
from collections import defaultdict
import math

# 读取train.txt
train = pd.read_csv('train.txt')
test = pd.read_csv('test.txt')
submit = pd.read_csv('sample_submit.csv')

#把数据分为男女两部分
names_female = train[train['gender'] == 0]
names_male = train[train['gender'] == 1]

totals = {'f': len(names_female),
          'm': len(names_male)}

frequency_list_f = defaultdict(int)
for name in names_female['name']:
    for char in name:
        frequency_list_f[char] += 1. / totals['f']

frequency_list_m = defaultdict(int)
for name in names_male['name']:
    for char in name:
        frequency_list_m[char] += 1. / totals['m']

def LaplaceSmooth(char, frequency_list, total, alpha=1.0):
    count = frequency_list[char] * total
    distinct_chars = len(frequency_list)
    freq_smooth = (count + alpha ) / (total + distinct_chars * alpha)
    return freq_smooth

def GetLogProb(char, frequency_list, total):
    freq_smooth = LaplaceSmooth(char, frequency_list, total)
    return math.log(freq_smooth) - math.log(1 - freq_smooth)

def ComputeLogProb(name, bases, totals, frequency_list_m, frequency_list_f):
    logprob_m = bases['m']
    logprob_f = bases['f']
    for char in name:
        logprob_m += GetLogProb(char, frequency_list_m, totals['m'])
        logprob_f += GetLogProb(char, frequency_list_f, totals['f'])
    return {'male': logprob_m, 'female': logprob_f}

def GetGender(LogProbs):
    return LogProbs['male'] > LogProbs['female']


base_f = math.log(1 - train['gender'].mean())
base_f += sum([math.log(1 - frequency_list_f[char]) for char in frequency_list_f])

base_m = math.log(train['gender'].mean())
base_m += sum([math.log(1 - frequency_list_m[char]) for char in frequency_list_m])

bases = {'f': base_f, 'm': base_m}


result = []
for name in test['name']:
    LogProbs = ComputeLogProb(name, bases, totals, frequency_list_m, frequency_list_f)
    gender = GetGender(LogProbs)
    result.append(int(gender))

submit['gender'] = result

submit.to_csv('my_NB_prediction12.csv', index=False)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/从前慢现在也慢/article/detail/915953