朴素贝叶斯

这篇文章接介绍一种非常简单的监督学习算法：朴素贝叶斯。简单到根本不用构建分类器，只需要计算概率就行了。因为这个算法就是一个基本的概率公式推导出来的

首先看公式的推导

下面根据一个实例介绍

朴素贝叶斯如何用于文本分类

再来一个实例介绍

朴素贝叶斯数据

m b tm s tg q th s tg q tg q fg s fh b fh q fm b f

朴素贝叶斯代码

#encoding=utf-8raw_file=open("raw_data")raw_list=raw_file.readlines()map_list=[]#利用二维数组保存所有数据predict_record=["m","q"]for ele in raw_list:    list1=ele.strip().split(" ")    map_list.append(list1)#三个字段分别有哪些值如C字段有 t和fa_list=[]a_set=()b_list=[]b_set=()c_list=[]c_set=()for ele in map_list:    a_list.append(ele[0])    b_list.append(ele[1])    c_list.append(ele[2])a_set=set(a_list)b_set=set(b_list)c_set=set(c_list)#获取概率值 p(C=c1) p(C=c2)等list_t=[]list_f=[]for ele in map_list:    if (ele[2]).strip() == "t":        list_t.append(ele)    if (ele[2]).strip() == "f":        list_f.append(ele)pro_t= float(len(list_t)) / float(len(map_list))pro_f= float(len(list_f)) / float(len(map_list))#获取概率值 p(A=m | C=t) p(B=q | C=t) p(A=m | C=f) p(B=q | C=f)list_mt=[]list_qt=[]list_mf=[]list_qf=[]for ele in list_t:    if ele[0] == predict_record[0] :        list_mt.append(ele)    if ele[1] == predict_record[1]:        list_qt.append(ele)for ele in list_f:    if ele[0] == predict_record[0] :        list_mf.append(ele)    if ele[1] == predict_record[1]:        list_qf.append(ele)pro_mt=float(len(list_mt)) / float(len(list_t))pro_qt=float(len(list_qt)) / float(len(list_t))pro_mf=float(len(list_mf)) / float(len(list_f))pro_qf=float(len(list_qf)) / float(len(list_f))#计算p(C=t | A=m,B=q)  p(C=f | A=m,B=q)pro_mq=1.0#由于p(A=m,B=q)不影响计算，所以设为常数1pro_tmq= ( pro_t * pro_mt * pro_qt ) / pro_mqpro_fmq= ( pro_f * pro_mf * pro_qf) / pro_mqif pro_tmq > pro_fmq:    print "t\n"elif pro_tmq < pro_fmq:    print "f\n"elif pro_tmq == pro_fmq:    print "the probility  is the same,choose another method"else:    print "error"

朴素贝叶斯文本分类数据

1;Chinese Beijing Chinese;yes2;Chinese Chinese Shanghai;yes3;Chinese Macao;yes4;Tokyo Japan Chinese;no

朴素贝叶斯文本分类代码

#encoding=utf-8list_sample=["Chinese","Chinese","Chinese","Tokyo","Japan"]#需要预测的文本#读取源数据raw_data=open("raw_data","r+")list_raw=raw_data.readlines()list_all=[]set_all=()list_yes=[]list_yes_all_word=[]list_no=[]list_no_all_word=[]#进行格式转换for ele in list_raw:    list_id_words_tag=ele.split(";")    #print list1[0],":",list1[1],":",list1[2]    list_words=list_id_words_tag[1].strip().split(" ")    #获取所有文本中的所有单词    for word in list_words:        list_all.append(word)    #筛选出yes和no的文本    tag=list_id_words_tag[2].strip()    if tag == "yes":        list_yes.append(list_words)    if tag == "no":        list_no.append(list_words)set_all=set(list_all)#获取laplance平滑参数#为防止分子出现0，分子加上laplance平滑系数L=1，为防止分母为0，分母加上所有文本中的不同的单词总数yes_words_number=0no_words_number=0for ele in list_yes:    yes_words_number = yes_words_number + len(ele)for ele in list_no:    no_words_number = no_words_number + len(ele)L1=1L2=len(set_all)#统计sample中每个单词在yes和no中出现的次数sample_word_yes_number_dict={}sample_word_no_number_dict={}for sample_word in list_sample:#sample中每个word，对于每个word，都要遍历list_yes 和 list_no    #初始化字典    sample_word_yes_number_dict[sample_word] =  0    sample_word_no_number_dict[sample_word] = 0    #sample中的每个单词在yes中出现的次数    for words in list_yes:#属于yes的文本        for word in words:#每个文本中的word            if word == sample_word:#如果该文本中的该单词与sample中的该单词一致，则该单词对应的数量 +1                sample_word_yes_number_dict[sample_word] = sample_word_yes_number_dict[sample_word] + 1    # sample中的每个单词在no中出现的次数    for words in list_no:  # 属于no的文本        for word in words:  # 每个文本中的word            if word == sample_word:  # 如果该文本中的该单词与sample中的该单词一致，则该单词对应的数量 +1                sample_word_no_number_dict[sample_word] = sample_word_no_number_dict[sample_word] + 1# for ele in sample_word_no_number_dict:#     print ele,sample_word_no_number_dict[ele]#开始计算该文本分别属于yes和no的概率pro_yes=1.0pro_no=1.0for word in list_sample:    #计算该文本属于yes的概率    yes_result1=float(sample_word_yes_number_dict[word] + L1)#分子    yes_result2=float( yes_words_number + L2)#分母    yes_result3=yes_result1 / yes_result2#分子/分母    pro_yes = pro_yes * yes_result3#连乘    #计算该文本属于no的概率    no_result1 = float(sample_word_no_number_dict[word] + L1)  # 分子    no_result2 = float(no_words_number + L2)  # 分母    no_result3 = no_result1 / no_result2  # 分子/分母    pro_no = pro_no * no_result3  # 连乘#最后概率还要乘yes和no的比例word_length = float(yes_words_number + no_words_number)yes_words_number=float(yes_words_number)pro_yes = pro_yes * yes_words_number / word_lengthno_words_number=float(no_words_number)pro_no = pro_no * no_words_number / word_length#通过比较概率大小，得出sample文本属于哪个类别if pro_yes > pro_no:    print "yes"elif pro_yes < pro_no:    print "no"elif pro_yes == pro_no:    print "the probility is the same"else:    print "error"