Python朴素贝叶斯实例 朴素贝叶斯Python实例及解析
qq_36047182 人气:0
#-*- coding: utf-8 -*- #添加中文注释
from numpy import *
#过滤网站的恶意留言
#样本数据
def loadDataSet():
postingList=[['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'],
['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'],
['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him'],
['stop', 'posting', 'stupid', 'worthless', 'garbage'],
['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'],
['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']]
#类别标签：1侮辱性文字，0正常言论
classVec = [0,1,0,1,0,1]
#返回文档向量，类别向量
return postingList,classVec
#创建词汇表
#输入：dataSet已经经过切分处理
#输出：包含所有文档中出现的不重复词的列表
def createVocabList(dataSet):
#构建set集合，会返回不重复词表
vocabSet = set([])
#遍历每篇文档向量，扫描所有文档的单词
for document in dataSet:
#通过set(document)，获取document中不重复词列表
vocabSet = vocabSet | set(document) #求并集
return list(vocabSet)
#***词集模型：只考虑单词是否出现
#vocabList：词汇表
#inputSet ：某个文档向量
def setOfWords2Vec(vocabList, inputSet):
#创建所含元素全为0的向量
returnVec = [0]*len(vocabList)
#依次取出文档中的单词与词汇表进行对照，若在词汇表中出现则为1
for word in inputSet:
if word in vocabList:
#单词在词汇表中出现，则记为1
returnVec[vocabList.index(word)] = 1 #词集模型
#若测试文档的单词，不在词汇表中，显示提示信息，该单词出现次数用0表示
else: print "the word: %s is not in my Vocabulary!" % word
return returnVec
#====训练分类器,原始的朴素贝叶斯，没有优化=====
#输入trainMatrix：词向量数据集
#输入trainCategory：数据集对应的类别标签
#输出p0Vect：词汇表中各个单词在正常言论中的类条件概率密度
#输出p1Vect：词汇表中各个单词在侮辱性言论中的类条件概率密度
#输出pAbusive：侮辱性言论在整个数据集中的比例
def trainNB00(trainMatrix,trainCategory):
#numTrainDocs训练集总条数
numTrainDocs = len(trainMatrix)
#训练集中所有不重复单词总数
numWords = len(trainMatrix[0])
#侮辱类的概率(侮辱类占总训练数据的比例)
pAbusive = sum(trainCategory)/float(numTrainDocs)
#*正常言论的类条件概率密度 p(某单词|正常言论)=p0Num/p0Denom
p0Num = zeros(numWords); #初始化分子为0
#*侮辱性言论的类条件概率密度 p(某单词|侮辱性言论)=p1Num/p1Denom
p1Num = zeros(numWords) #初始化分子为0
#初始化分母置为0
p0Denom = 0;
p1Denom = 0
#遍历训练集数据
for i in range(numTrainDocs):
#若为侮辱类
if trainCategory[i] == 1:
#统计侮辱类所有文档中的各个单词总数
p1Num += trainMatrix[i]
#p1Denom侮辱类总单词数
p1Denom += sum(trainMatrix[i])
#若为正常类
else:
#统计正常类所有文档中的各个单词总数
p0Num += trainMatrix[i]
#p0Denom正常类总单词数
p0Denom += sum(trainMatrix[i])
#词汇表中的单词在侮辱性言论文档中的类条件概率
p1Vect = p1Num/p1Denom
#词汇表中的单词在正常性言论文档中的类条件概率
p0Vect = p0Num/p0Denom
return p0Vect,p1Vect,pAbusive
#=====训练分类器，优化处理=====
#输入trainMatrix：词向量数据集
#输入trainCategory：数据集对应的类别标签
#输出p0Vect：词汇表中各个单词在正常言论中的类条件概率密度
#输出p1Vect：词汇表中各个单词在侮辱性言论中的类条件概率密度
#输出pAbusive：侮辱性言论在整个数据集中的比例
def trainNB0(trainMatrix,trainCategory):
#训练集总条数：行数
numTrainDocs = len(trainMatrix)
#训练集中所有单词总数：词向量维度
numWords = len(trainMatrix[0])
#侮辱类的概率(侮辱类占总训练数据的比例)
pAbusive = sum(trainCategory)/float(numTrainDocs)
#*拉普拉斯平滑防止类条件概率为0，初始化分子为1，分母为2
#正常类向量置为1
p0Num = ones(numWords); #初始化分子为1
#侮辱类向量置为1
p1Num = ones(numWords) #初始化分子为1
#初始化分母置为2
p0Denom = 2.0;
p1Denom = 2.0
#遍历训练集每个样本
for i in range(numTrainDocs):
#若为侮辱类
if trainCategory[i] == 1:
#统计侮辱类所有文档中的各个单词总数
p1Num += trainMatrix[i] #向量
#p1Denom侮辱类总单词数
p1Denom += sum(trainMatrix[i])
#若为正常类
else:
#统计正常类所有文档中的各个单词总数
p0Num += trainMatrix[i]
#p0Denom正常类总单词数
p0Denom += sum(trainMatrix[i])
#数据取log，即单个单词的p(x1|c1)取log，防止下溢出
p1Vect = log(p1Num/p1Denom)
p0Vect = log(p0Num/p0Denom)
return p0Vect,p1Vect,pAbusive
#vec2Classify：待分类文档
#p0Vect:词汇表中每个单词在训练样本的正常言论中的类条件概率密度
#p1Vect:词汇表中每个单词在训练样本的侮辱性言论中的类条件概率密度
#pClass1：侮辱性言论在训练集中所占的比例
def classifyNB(vec2Classify, p0Vect, p1Vect, pClass1):
#在对数空间中进行计算，属于哪一类的概率比较大就判为哪一类
#print'0p1=',sum(vec2Classify * p0Vect) #查看结果
#print'0p0=',sum(vec2Classify * p0Vect)
p1 = sum(vec2Classify * p1Vect) + log(pClass1)
p0 = sum(vec2Classify * p0Vect) + log(1.0 - pClass1)
#print'p1=',p1
#print'p0=',p0
if p1 > p0:
return 1
else:
return 0
def testingNB():
#获得训练数据，类别标签
listOPosts,listClasses = loadDataSet()
#创建词汇表
myVocabList = createVocabList(listOPosts)
#构建矩阵，存放训练数据
trainMat=[]
#遍历原始数据，转换为词向量，构成数据训练矩阵
for postinDoc in listOPosts:
#数据转换后存入数据训练矩阵trainMat中
trainMat.append(setOfWords2Vec(myVocabList, postinDoc))
#训练分类器
p0V,p1V,pAb = trainNB0(array(trainMat),array(listClasses))
#===测试数据（1）
testEntry = ['love', 'my', 'dalmation']
#测试数据转为词向量
thisDoc = array(setOfWords2Vec(myVocabList, testEntry))
#输出分类结果
print testEntry,'classified as: ',classifyNB(thisDoc,p0V,p1V,pAb)
#===测试数据（2）
testEntry = ['stupid', 'garbage']
#测试数据转为词向量
thisDoc = array(setOfWords2Vec(myVocabList, testEntry))
#输出分类结果
print testEntry,'classified as: ',classifyNB(thisDoc,p0V,p1V,pAb)
#***词袋模型：考虑单词出现的次数
#vocabList：词汇表
#inputSet ：某个文档向量
def bagOfWords2VecMN(vocabList, inputSet):
#创建所含元素全为0的向量
returnVec = [0]*len(vocabList)
#依次取出文档中的单词与词汇表进行对照，统计单词在文档中出现的次数
for word in inputSet:
if word in vocabList:
#单词在文档中出现的次数
returnVec[vocabList.index(word)] += 1
#若测试文档的单词，不在词汇表中，显示提示信息，该单词出现次数用0表示
else: print "the word: %s is not in my Vocabulary!" % word
return returnVec
#准备数据，按空格切分出词
#单词长度小于或等于2的全部丢弃
def textParse(bigString):
import re
listOfTokens = re.split(r'\W*', bigString)
#tok.lower() 将整个词转换为小写
return [tok.lower() for tok in listOfTokens if len(tok) > 2]
def spamTest():
#文章按篇存放
docList=[];
#存放文章类别
classList = [];
#存放所有文章内容
fullText =[]
for i in range(1,26):
#读取垃圾邮件
#wordList = textParse(open('D:/work/python/email/spam/%d.txt' % i).read())
wordList = textParse(open('D:/machine learning/python/bayes/email/spam/%d.txt' % i).read())
#docList按篇存放文章
docList.append(wordList)
#fullText邮件内容存放到一起
fullText.extend(wordList)
#垃圾邮件类别标记为1
classList.append(1)
#读取正常邮件
#wordList = textParse(open('D:/work/python/email/ham/%d.txt' % i).read())
wordList = textParse(open('D:/machine learning/python/bayes/email/ham/%d.txt' % i).read())
docList.append(wordList)
fullText.extend(wordList)
#正常邮件类别标记为0
classList.append(0)
#创建词典
vocabList = createVocabList(docList)
#训练集共50篇文章
trainingSet = range(50);
#创建测试集
testSet=[]
#随机选取10篇文章为测试集，测试集中文章从训练集中删除
for i in range(10):
#0-50间产生一个随机数
randIndex = int(random.uniform(0,len(trainingSet)))
#从训练集中找到对应文章，加入测试集中
testSet.append(trainingSet[randIndex])
#删除对应文章
del(trainingSet[randIndex])
#准备数据，用于训练分类器
trainMat=[]; #训练数据
trainClasses = [] #类别标签
#遍历训练集中文章数据
for docIndex in trainingSet:
#每篇文章转为词袋向量模型，存入trainMat数据矩阵中
trainMat.append(bagOfWords2VecMN(vocabList, docList[docIndex]))
#trainClasses存放每篇文章的类别
trainClasses.append(classList[docIndex])
#训练分类器
p0V,p1V,pSpam = trainNB0(array(trainMat),array(trainClasses))
#errorCount记录测试数据出错次数
errorCount = 0
#遍历测试数据集，每条数据相当于一条文本
for docIndex in testSet:
#文本转换为词向量模型
wordVector = bagOfWords2VecMN(vocabList, docList[docIndex])
#模型给出的分类结果与本身类别不一致时，说明模型出错，errorCount数加1
if classifyNB(array(wordVector),p0V,p1V,pSpam) != classList[docIndex]:
errorCount += 1
#输出出错的文章
print "classification error",docList[docIndex]
#输出错误率，即出错次数/总测试次数
print 'the error rate is: ',float(errorCount)/len(testSet)
#return vocabList,fullText
if __name__ == "__main__":
###**********************留言板数据：观察参数值start
### #获取数据
listOPosts,listClasses = loadDataSet()
# #构建词汇表
myVocabList = createVocabList(listOPosts)
print 'myVocabList=',myVocabList
print 'result=',setOfWords2Vec(myVocabList, listOPosts[0])
trainMat = []
for postinDoc in listOPosts:
#构建训练矩阵
trainMat.append(setOfWords2Vec(myVocabList, postinDoc))
p0Vect,p1Vect,pAbusive = trainNB0(trainMat, listClasses)
print 'p0Vect='
print p0Vect
print 'p1Vect='
print p1Vect
print 'pAbusive='
print pAbusive
print 'trainMatrix='
print trainMat
print 'listClasses=',listClasses
###**********************留言板数据：观察参数值end
## #测试留言板文档
print'==================================='
testingNB()
#***********************垃圾邮件
## #垃圾邮件分类
print'=======spam filtering============='
spamTest()
加载全部内容