机器学习 | 朴素贝叶斯

由于近期学业繁重QAQ，所以我就不说废话了，直接上代码~

用朴素贝叶斯进行词汇分类

代码

from numpy import *

#词表到向量的转换
#创建实验样本，返回的是进行词条切分后的文档集合，
#还有一个类别标签——侮辱性的or非侮辱性的
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']]
    #1 代表侮辱性文字   0代表正常言论
    classVec = [0,1,0,1,0,1]
    return postingList,classVec
    
#创建一个包含在所有文档中出现的不重复的词的列表    
def createVocabList(dataSet):
    vocabSet=set([])
    #document:['my', 'dog', 'has', 'flea', 'problems', 'help', 'please']
    for document in dataSet:
        #求并集
        vocabSet=vocabSet|set(document)
        #print(vocabSet)
    return list(vocabSet)
    
#参数为词汇表以及某个文档，输出的是文档向量
#输出的向量的每一个元素为1或0，表示词汇表中
#的单词在输入文档中是否出现
def setOfWords2Vec(vocabList,inputSet):
    #创建一个所含元素都为0的向量
    returnVec=[0]*len(vocabList)
    #遍历文档中的所有单词，如果出现了词汇表中的单词，
    #则将输出文档的对应值设为1
    for word in inputSet:
        if word in vocabList:
            returnVec[vocabList.index(word)]=1
        else:
            print("the word: %s is not in my Vocabulary!"%word)
    return returnVec
    

    

#输入的参数：文档矩阵trainMatrix
#由每篇文档类别标签构成的向量trainCategory
#朴素贝叶斯分类器训练函数
#trainMatrix:每个词向量中的词，在词汇表中出现的就是1
#trainMatrix:[[0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0], 
#[0, 1, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 1, 0, 0, 0],
#[1, 0, 1, 1, 1, 1, 0, 1, 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, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0], 
#[0, 1, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1], 
#[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 1, 0, 0]]
#该词向量中带有侮辱性的词的就是1
#trainCategory:[0, 1, 0, 1, 0, 1]
def trainNBO(trainMatrix,trainCategory):
    #一共有几个词向量
    numTrainDocs=len(trainMatrix)
    #词汇表的长度
    numWords=len(trainMatrix[0])
    #3/6 表示6个词向量中，3个带侮辱词
    pAbusive=sum(trainCategory)/float(numTrainDocs)
    #初始化概率
    p0Num=ones(numWords)
    p1Num=ones(numWords)
    p0Denom=2.0;p1Denom=2.0
    #遍历训练集trainMatrix中的所有文档
    #一旦某个词在某一文档中出现
    #该文档的总词数加1
    #两个类别都要进行同样的处理
    #i：012345
    for i in range(numTrainDocs):
        #该词向量带侮辱
        if trainCategory[i]==1:
            #向量相加
            p1Num+=trainMatrix[i]
            p1Denom+=sum(trainMatrix[i])
        else:
            p0Num+=trainMatrix[i]
            p0Denom+=sum(trainMatrix[i])
    #每个元素除以该类别的总词数
    p1Vect=log(p1Num/p1Denom)
    p0Vect=log(p0Num/p0Denom)
    return p0Vect,p1Vect,pAbusive
            
    
    
    
#朴素贝叶斯分类函数
def classifyNB(vec2Classify,p0Vec,p1Vec,pClass1):
    #元素相乘
    p1=sum(vec2Classify*p1Vec)+log(pClass1)
    p0=sum(vec2Classify*p0Vec)+log(1.0-pClass1)
    if p1>p0:
        return 1
    else:
        return 0    
    
    
def testingNB():
    listOPosts,listClasses=loadDataSet()
    myVocabList=createVocabList(listOPosts)
    trainMat=[]
    #使用词向量填充trainMat列表
    for postinDoc in listOPosts:
        Vec01=setOfWords2Vec(myVocabList,postinDoc)
        trainMat.append(Vec01)    
    p0V,p1V,pAb=trainNBO(trainMat,listClasses)
    #测试集
    testEntry=['love','my','dalmation']
    thisDoc=array(setOfWords2Vec(myVocabList,testEntry))
    #print(thisDoc)
    print(testEntry,' classified as: ',classifyNB(thisDoc,p0V,p1V,pAb))
    testEntry=['stupid','garbage']
    thisDoc=array(setOfWords2Vec(myVocabList,testEntry))
    #print(thisDoc)
    print(testEntry,' classified as: ',classifyNB(thisDoc,p0V,p1V,pAb))

    
def main():
    testingNB()
    #创建数据    
    #listOPosts,listClasses=loadDataSet()
    #print(listOPosts)
    #构建一个包含所有词的列表
    #myVocabList=createVocabList(listOPosts)
    #print(myVocabList)
    #returnVec=setOfWords2Vec(myVocabList,listOPosts[0])
    #print(returnVec)
    #trainMat=[]
    #使用词向量填充trainMat列表
    #for postinDoc in listOPosts:
        #传入词汇表 以及每一行词向量
        #返回的是一个与词汇表同样size的向量
        #1表示这个词在词向量中出现过
        #Vec01=setOfWords2Vec(myVocabList,postinDoc)
        #print(Vec01)
        #将01list填充trainMat
        #trainMat.append(Vec01)
    #print(trainMat)
    #print(listClasses)
    #p0V,p1V,pAB=trainNBO(trainMat,listClasses)
    #print(p0V)
    #print(p1V)
    #print(pAB)
    
if __name__=='__main__':
    main()