• 朴素贝叶斯

    贝叶斯理论一个重要的概念是条件概率

    p(c|x)=\frac{p(x|c)p(c)}{p(x)}

    c,x不独立时，p(cx)=p(c|x)p(x)

    意思是cx都发生的概率=x发生的概率乘以x发生的情况下c发生的概率

    1. from __future__ import print_function
    2. from numpy import *
    3. """
    4. p(xy)=p(x|y)p(y)=p(y|x)p(x)
    5. p(x|y)=p(y|x)p(x)/p(y)
    6. """
    7.  
    8.  
    9. # 项目案例1: 屏蔽社区留言板的侮辱性言论
    10.  
    11. def loadDataSet():
    12.     """
    13.     创建数据集
    14.     :return: 单词列表postingList, 所属类别classVec
    15.     """
    16.     postingList = [['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'], #[0,0,1,1,1......]
    17.                    ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'],
    18.                    ['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him'],
    19.                    ['stop', 'posting', 'stupid', 'worthless', 'garbage'],
    20.                    ['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'],
    21.                    ['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']]
    22.     classVec = [0, 1, 0, 1, 0, 1]  # 1 is abusive, 0 not
    23.     return postingList, classVec
    24.  
    25.  
    26. def createVocabList(dataSet):
    27.     """
    28.     获取所有单词的集合
    29.     :param dataSet: 数据集
    30.     :return: 所有单词的集合(即不含重复元素的单词列表)
    31.     """
    32.     vocabSet = set([])  # create empty set
    33.     for document in dataSet:
    34.         # 操作符 | 用于求两个集合的并集
    35.         vocabSet = vocabSet | set(document)  # union of the two sets
    36.     return list(vocabSet)
    37.  
    38.  
    39. def setOfWords2Vec(vocabList, inputSet):
    40.     """
    41.     遍历查看该单词是否出现，出现该单词则将该单词置1
    42.     :param vocabList: 所有单词集合列表
    43.     :param inputSet: 输入数据集
    44.     :return: 匹配列表[0,1,0,1...]，其中 1与0 表示词汇表中的单词是否出现在输入的数据集中
    45.     """
    46.     # 创建一个和词汇表等长的向量，并将其元素都设置为0
    47.     returnVec = [0] * len(vocabList)# [0,0......]
    48.     # 遍历文档中的所有单词，如果出现了词汇表中的单词，则将输出的文档向量中的对应值设为1
    49.     for word in inputSet:
    50.         if word in vocabList:
    51.             returnVec[vocabList.index(word)] = 1
    52.         else:
    53.             print("the word: %s is not in my Vocabulary!" % word)
    54.     return returnVec
    55.  
    56.  
    57. def _trainNB0(trainMatrix, trainCategory):
    58.     """
    59.     训练数据原版
    60.     :param trainMatrix: 文件单词矩阵 [[1,0,1,1,1....],[],[]...]
    61.     :param trainCategory: 文件对应的类别[0,1,1,0....]，列表长度等于单词矩阵数，其中的1代表对应的文件是侮辱性文件，0代表不是侮辱性矩阵
    62.     :return:
    63.     """
    64.     # 文件数
    65.     numTrainDocs = len(trainMatrix)
    66.     # 单词数
    67.     numWords = len(trainMatrix[0])
    68.     # 侮辱性文件的出现概率，即trainCategory中所有的1的个数，
    69.     # 代表的就是多少个侮辱性文件，与文件的总数相除就得到了侮辱性文件的出现概率
    70.     pAbusive = sum(trainCategory) / float(numTrainDocs)
    71.     # 构造单词出现次数列表
    72.     p0Num = zeros(numWords) # [0,0,0,.....]
    73.     p1Num = zeros(numWords) # [0,0,0,.....]
    74.  
    75.     # 整个数据集单词出现总数
    76.     p0Denom = 0.0
    77.     p1Denom = 0.0
    78.     for i in range(numTrainDocs):
    79.         # 遍历所有的文件，如果是侮辱性文件，就计算此侮辱性文件中出现的侮辱性单词的个数
    80.         if trainCategory[i] == 1:
    81.             p1Num += trainMatrix[i] #[0,1,1,....]->[0,1,1,...]
    82.             p1Denom += sum(trainMatrix[i])
    83.         else:
    84.             # 如果不是侮辱性文件，则计算非侮辱性文件中出现的侮辱性单词的个数
    85.             p0Num += trainMatrix[i]
    86.             p0Denom += sum(trainMatrix[i])
    87.     # 类别1，即侮辱性文档的[P(F1|C1),P(F2|C1),P(F3|C1),P(F4|C1),P(F5|C1)....]列表
    88.     # 即 在1类别下，每个单词出现次数的占比
    89.     p1Vect = p1Num / p1Denom# [1,2,3,5]/90->[1/90,...]
    90.     # 类别0，即正常文档的[P(F1|C0),P(F2|C0),P(F3|C0),P(F4|C0),P(F5|C0)....]列表
    91.     # 即 在0类别下，每个单词出现次数的占比
    92.     p0Vect = p0Num / p0Denom
    93.     return p0Vect, p1Vect, pAbusive
    94.  
    95.  
    96. def trainNB0(trainMatrix, trainCategory):
    97.     """
    98.     训练数据优化版本
    99.     :param trainMatrix: 文件单词矩阵
    100.     :param trainCategory: 文件对应的类别
    101.     :return:
    102.     """
    103.     # 总文件数
    104.     numTrainDocs = len(trainMatrix)
    105.     # 总单词数
    106.     numWords = len(trainMatrix[0])
    107.     # 侮辱性文件的出现概率
    108.     pAbusive = sum(trainCategory) / float(numTrainDocs)
    109.     # 构造单词出现次数列表
    110.     # p0Num 正常的统计
    111.     # p1Num 侮辱的统计 
    112.     # 避免单词列表中的任何一个单词为0，而导致最后的乘积为0，所以将每个单词的出现次数初始化为 1
    113.     p0Num = ones(numWords)#[0,0......]->[1,1,1,1,1.....]
    114.     p1Num = ones(numWords)
    115.  
    116.     # 整个数据集单词出现总数，2.0根据样本/实际调查结果调整分母的值（2主要是避免分母为0，当然值可以调整）
    117.     # p0Denom 正常的统计
    118.     # p1Denom 侮辱的统计
    119.     p0Denom = 2.0
    120.     p1Denom = 2.0
    121.     for i in range(numTrainDocs):
    122.         if trainCategory[i] == 1:
    123.             # 累加辱骂词的频次
    124.             p1Num += trainMatrix[i]
    125.             # 对每篇文章的辱骂的频次 进行统计汇总
    126.             p1Denom += sum(trainMatrix[i])
    127.         else:
    128.             p0Num += trainMatrix[i]
    129.             p0Denom += sum(trainMatrix[i])
    130.     # 类别1，即侮辱性文档的[log(P(F1|C1)),log(P(F2|C1)),log(P(F3|C1)),log(P(F4|C1)),log(P(F5|C1))....]列表
    131.     p1Vect = log(p1Num / p1Denom)
    132.     # 类别0，即正常文档的[log(P(F1|C0)),log(P(F2|C0)),log(P(F3|C0)),log(P(F4|C0)),log(P(F5|C0))....]列表
    133.     p0Vect = log(p0Num / p0Denom)
    134.     return p0Vect, p1Vect, pAbusive
    135.  
    136.  
    137. def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
    138.     """
    139.     使用算法: 
    140.         # 将乘法转换为加法
    141.         乘法: P(C|F1F2...Fn) = P(F1F2...Fn|C)P(C)/P(F1F2...Fn)
    142.         加法: P(F1|C)*P(F2|C)....P(Fn|C)P(C) -> log(P(F1|C))+log(P(F2|C))+....+log(P(Fn|C))+log(P(C))
    143.     :param vec2Classify: 待测数据[0,1,1,1,1...]，即要分类的向量
    144.     :param p0Vec: 类别0，即正常文档的[log(P(F1|C0)),log(P(F2|C0)),log(P(F3|C0)),log(P(F4|C0)),log(P(F5|C0))....]列表
    145.     :param p1Vec: 类别1，即侮辱性文档的[log(P(F1|C1)),log(P(F2|C1)),log(P(F3|C1)),log(P(F4|C1)),log(P(F5|C1))....]列表
    146.     :param pClass1: 类别1，侮辱性文件的出现概率
    147.     :return: 类别1 or 0
    148.     """
    149.     # 计算公式  log(P(F1|C))+log(P(F2|C))+....+log(P(Fn|C))+log(P(C))
    150.     # 使用 NumPy 数组来计算两个向量相乘的结果，这里的相乘是指对应元素相乘，即先将两个向量中的第一个元素相乘，然后将第2个元素相乘，以此类推。
    151.     # 我的理解是: 这里的 vec2Classify * p1Vec 的意思就是将每个词与其对应的概率相关联起来
    152.     # 可以理解为 1.单词在词汇表中的条件下，文件是good 类别的概率 也可以理解为 2.在整个空间下，文件既在词汇表中又是good类别的概率
    153.     p1 = sum(vec2Classify * p1Vec) + log(pClass1)
    154.     p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1)
    155.     if p1 > p0:
    156.         return 1
    157.     else:
    158.         return 0
    159.  
    160.  
    161. def bagOfWords2VecMN(vocabList, inputSet):
    162.     returnVec = [0] * len(vocabList)
    163.     for word in inputSet:
    164.         if word in vocabList:
    165.             returnVec[vocabList.index(word)] += 1
    166.     return returnVec
    167.  
    168.  
    169. def testingNB():
    170.     """
    171.     测试朴素贝叶斯算法
    172.     """
    173.     # 1. 加载数据集
    174.     listOPosts, listClasses = loadDataSet()
    175.     # 2. 创建单词集合
    176.     myVocabList = createVocabList(listOPosts)
    177.     # 3. 计算单词是否出现并创建数据矩阵
    178.     trainMat = []
    179.     for postinDoc in listOPosts:
    180.         # 返回m*len(myVocabList)的矩阵， 记录的都是0，1信息
    181.         trainMat.append(setOfWords2Vec(myVocabList, postinDoc))
    182.     # 4. 训练数据
    183.     p0V, p1V, pAb = trainNB0(array(trainMat), array(listClasses))
    184.     # 5. 测试数据
    185.     testEntry = ['love', 'my', 'dalmation']
    186.     thisDoc = array(setOfWords2Vec(myVocabList, testEntry))
    187.     print(testEntry, 'classified as: ', classifyNB(thisDoc, p0V, p1V, pAb))
    188.     testEntry = ['stupid', 'garbage']
    189.     thisDoc = array(setOfWords2Vec(myVocabList, testEntry))
    190.     print(testEntry, 'classified as: ', classifyNB(thisDoc, p0V, p1V, pAb))
    1. # ------------------------------------------------------------------------------------------
    2. # 项目案例2: 使用朴素贝叶斯过滤垃圾邮件
    3.  
    4. # 切分文本
    5. def textParse(bigString):
    6.     '''
    7.     Desc:
    8.         接收一个大字符串并将其解析为字符串列表
    9.     Args:
    10.         bigString -- 大字符串
    11.     Returns:
    12.         去掉少于 2 个字符的字符串，并将所有字符串转换为小写，返回字符串列表
    13.     '''
    14.     import re
    15.     # 使用正则表达式来切分句子，其中分隔符是除单词、数字外的任意字符串
    16.     listOfTokens = re.split(r'\W*', bigString)
    17.     return [tok.lower() for tok in listOfTokens if len(tok) > 2]
    18.  
    19.  
    20. def spamTest():
    21.     '''
    22.     Desc:
    23.         对贝叶斯垃圾邮件分类器进行自动化处理。
    24.     Args:
    25.         none
    26.     Returns:
    27.         对测试集中的每封邮件进行分类，若邮件分类错误，则错误数加 1，最后返回总的错误百分比。
    28.     '''
    29.     docList = []
    30.     classList = []
    31.     fullText = []
    32.     for i in range(1, 26):
    33.         # 切分，解析数据，并归类为 1 类别
    34.         wordList = textParse(open('data/4.NaiveBayes/email/spam/%d.txt' % i).read())
    35.         docList.append(wordList)
    36.         classList.append(1)
    37.         # 切分，解析数据，并归类为 0 类别
    38.         wordList = textParse(open('data/4.NaiveBayes/email/ham/%d.txt' % i).read())
    39.         docList.append(wordList)
    40.         fullText.extend(wordList)
    41.         classList.append(0)
    42.     # 创建词汇表    
    43.     vocabList = createVocabList(docList)
    44.     trainingSet = range(50)
    45.     testSet = []
    46.     # 随机取 10 个邮件用来测试
    47.     for i in range(10):
    48.         # random.uniform(x, y) 随机生成一个范围为 x - y 的实数
    49.         randIndex = int(random.uniform(0, len(trainingSet)))
    50.         testSet.append(trainingSet[randIndex])
    51.         del(trainingSet[randIndex])
    52.     trainMat = []
    53.     trainClasses = []
    54.     for docIndex in trainingSet:
    55.         trainMat.append(setOfWords2Vec(vocabList, docList[docIndex]))
    56.         trainClasses.append(classList[docIndex])
    57.     p0V, p1V, pSpam = trainNB0(array(trainMat), array(trainClasses))
    58.     errorCount = 0
    59.     for docIndex in testSet:
    60.         wordVector = setOfWords2Vec(vocabList, docList[docIndex])
    61.         if classifyNB(array(wordVector), p0V, p1V, pSpam) != classList[docIndex]:
    62.             errorCount += 1
    63.     print('the errorCount is: ', errorCount)
    64.     print('the testSet length is :', len(testSet))
    65.     print('the error rate is :', float(errorCount)/len(testSet))
    66.  
    67.  
    68. def testParseTest():
    69.     print(textParse(open('data/4.NaiveBayes/email/ham/1.txt').read()))
    1. # -----------------------------------------------------------------------------------
    2. # 项目案例3: 使用朴素贝叶斯从个人广告中获取区域倾向
    3.  
    4. # 将文本文件解析成 词条向量
    5. def setOfWords2VecMN(vocabList,inputSet):
    6.     returnVec=[0]*len(vocabList)  # 创建一个其中所含元素都为0的向量
    7.     for word in inputSet:
    8.         if word in vocabList:
    9.                 returnVec[vocabList.index(word)]+=1
    10.     return returnVec
    11.  
    12.  
    13. #文件解析
    14. def textParse(bigString):
    15.     import re
    16.     listOfTokens=re.split(r'\W*', bigString)
    17.     return [tok.lower() for tok in listOfTokens if len(tok)>2]
    18.  
    19.  
    20. #RSS源分类器及高频词去除函数
    21. def calcMostFreq(vocabList,fullText):
    22.     import operator
    23.     freqDict={}
    24.     for token in vocabList:  #遍历词汇表中的每个词
    25.         freqDict[token]=fullText.count(token)  #统计每个词在文本中出现的次数
    26.     sortedFreq=sorted(freqDict.iteritems(),key=operator.itemgetter(1),reverse=True)  #根据每个词出现的次数从高到底对字典进行排序
    27.     return sortedFreq[:30]   #返回出现次数最高的30个单词
    28. def localWords(feed1,feed0):
    29.     import feedparser
    30.     docList=[];classList=[];fullText=[]
    31.     minLen=min(len(feed1['entries']),len(feed0['entries']))
    32.     for i in range(minLen):
    33.         wordList=textParse(feed1['entries'][i]['summary'])   #每次访问一条RSS源
    34.         docList.append(wordList)
    35.         fullText.extend(wordList)
    36.         classList.append(1)
    37.         wordList=textParse(feed0['entries'][i]['summary'])
    38.         docList.append(wordList)
    39.         fullText.extend(wordList)
    40.         classList.append(0)
    41.     vocabList=createVocabList(docList)
    42.     top30Words=calcMostFreq(vocabList,fullText)
    43.     for pairW in top30Words:
    44.         if pairW[0] in vocabList:vocabList.remove(pairW[0])    #去掉出现次数最高的那些词
    45.     trainingSet=range(2*minLen);testSet=[]
    46.     for i in range(20):
    47.         randIndex=int(random.uniform(0,len(trainingSet)))
    48.         testSet.append(trainingSet[randIndex])
    49.         del(trainingSet[randIndex])
    50.     trainMat=[];trainClasses=[]
    51.     for docIndex in trainingSet:
    52.         trainMat.append(bagOfWords2VecMN(vocabList,docList[docIndex]))
    53.         trainClasses.append(classList[docIndex])
    54.     p0V,p1V,pSpam=trainNB0(array(trainMat),array(trainClasses))
    55.     errorCount=0
    56.     for docIndex in testSet:
    57.         wordVector=bagOfWords2VecMN(vocabList,docList[docIndex])
    58.         if classifyNB(array(wordVector),p0V,p1V,pSpam)!=classList[docIndex]:
    59.             errorCount+=1
    60.     print('the error rate is:',float(errorCount)/len(testSet))
    61.     return vocabList,p0V,p1V
    62.  
    63.  
    64. # 最具表征性的词汇显示函数
    65. def getTopWords(ny,sf):
    66.     import operator
    67.     vocabList,p0V,p1V=localWords(ny,sf)
    68.     topNY=[];topSF=[]
    69.     for i in range(len(p0V)):
    70.         if p0V[i]>-6.0:topSF.append((vocabList[i],p0V[i]))
    71.         if p1V[i]>-6.0:topNY.append((vocabList[i],p1V[i]))
    72.     sortedSF=sorted(topSF,key=lambda pair:pair[1],reverse=True)
    73.     print("SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**")
    74.     for item in sortedSF:
    75.         print(item[0])
    76.     sortedNY=sorted(topNY,key=lambda pair:pair[1],reverse=True)
    77.     print("NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**")
    78.     for item in sortedNY:
    79.         print(item[0])
    1. testingNB()
    2. spamTest()
    3. laTest()

  • 相关阅读:
    uniapp开发微信小程序获取用户手机号
    LambdaQueryWrapper 自定义返回字段(分组后统计)
    数据预处理（超详细）
    做酒类行业应该如何推广自身品牌？
    Eureka 注册中心
    题库API 大学公众号题库API 网课查题题库接口API接口
    神经网络建模的基本思想,神经网络语言模型详解
    （数据库提权——Redis）Redis未授权访问漏洞总结
    新鲜速递：Spring Cloud Alibaba环境在Spring Boot 3时代的快速搭建
    eyb：存储过程到更新操作员角色（三）
  • 原文地址：https://blog.csdn.net/qq_36973725/article/details/132622349