朴素贝叶斯Python实例及解析

本文实例为大家分享了Python朴素贝叶斯实例代码，供大家参考，具体内容如下

#-*- 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()