贝叶斯 算法 实例

#-*- 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 0def 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,fullTextif __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()