朴素贝叶斯之应用
Posted 墨词和她的爬虫
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了朴素贝叶斯之应用相关的知识，希望对你有一定的参考价值。
数据放在https://github.com/meixialee/-machine-earning/tree/master/%E6%9C%B4%E7%B4%A0%E8%B4%9D%E5%8F%B6%E6%96%AF
有两个文件夹ham和spam，spam文件下的txt文件为垃圾邮件。
对于一个文本字符串我们可以使用string.split()方法将其切分也可以使用正则
re.split(r'\W*'）其中分隔符是除单词，数字外的任意字符串，还可以使用 .lower()将字符串转换为小写，或者大写.upper（）
代码：
def createVocabList(dataSet):
vocabSet = set([]) #创建一个空的不重复列表
for document in dataSet:
vocabSet = vocabSet | set(document) #取并集
return list(vocabSet)
def setOfWords2Vec(vocabList, inputSet):
returnVec = [0] * len(vocabList) #创建一个其中所含元素都为0的向量
for word in inputSet: #遍历每个词条
if word in vocabList: #如果词条存在于词汇表中，则置1
returnVec[vocabList.index(word)] = 1
else: print("the word: %s is not in my Vocabulary!" % word)
return returnVec #返回文档向量
def bagOfWords2VecMN(vocabList, inputSet): #vocabList - createVocabList返回的列表,inputSet - 切分的词条列表
returnVec = [0]*len(vocabList) #创建一个其中所含元素都为0的向量
for word in inputSet: #遍历每个词条
if word in vocabList: #如果词条存在于词汇表中，则计数加一
returnVec[vocabList.index(word)] += 1
return returnVec #返回词袋模型
"""trainMatrix - 训练文档矩阵，即setOfWords2Vec返回的returnVec构成的矩阵
trainCategory - 训练类别标签向量，即loadDataSet返回的classVec"""
import numpy as np
def trainNB0(trainMatrix,trainCategory):
numTrainDocs = len(trainMatrix) #计算训练的文档数目
numWords = len(trainMatrix[0]) #计算每篇文档的词条数
pAbusive = sum(trainCategory)/float(numTrainDocs) #文档属于侮辱类的概率
p0Num = np.ones(numWords); p1Num = np.ones(numWords) #创建numpy.ones数组,词条出现数初始化为1，拉普拉斯平滑
p0Denom = 2.0; p1Denom = 2.0 #分母初始化为2,拉普拉斯平滑
for i in range(numTrainDocs):
if trainCategory[i] == 1: #统计属于侮辱类的条件概率所需的数据，即P(w0|1),P(w1|1),P(w2|1)···
p1Num += trainMatrix[i]
p1Denom += sum(trainMatrix[i])
else: #统计属于非侮辱类的条件概率所需的数据，即P(w0|0),P(w1|0),P(w2|0)···
p0Num += trainMatrix[i]
p0Denom += sum(trainMatrix[i])
p1Vect = np.log(p1Num/p1Denom) #取对数，防止下溢出
p0Vect = np.log(p0Num/p0Denom)
return p0Vect,p1Vect,pAbusive #返回属于侮辱类的条件概率数组，属于非侮辱类的条件概率数组，文档属于侮辱类的概率
5 朴素贝叶斯分类器分类函数
"""
vec2Classify - 待分类的词条数组
p0Vec - 侮辱类的条件概率数组
p1Vec -非侮辱类的条件概率数组
pClass1 - 文档属于侮辱类的概率
0 - 属于非侮辱类
1 - 属于侮辱类
"""
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
p1 = sum(vec2Classify * p1Vec) + np.log(pClass1) #对应元素相乘。logA * B = logA + logB，所以这里加上log(pClass1)
p0 = sum(vec2Classify * p0Vec) + np.log(1.0 - pClass1)
if p1 > p0:
return 1
else:
return 0
6 朴素贝叶斯分类器训练函数
"""
trainMatrix - 训练文档矩阵，即setOfWords2Vec返回的returnVec构成的矩阵
trainCategory - 训练类别标签向量，即loadDataSet返回的classVec
p0Vect - 侮辱类的条件概率数组
p1Vect - 非侮辱类的条件概率数组
pAbusive - 文档属于侮辱类的概率
"""
def trainNB0(trainMatrix,trainCategory):
numTrainDocs = len(trainMatrix) #计算训练的文档数目
numWords = len(trainMatrix[0]) #计算每篇文档的词条数
pAbusive = sum(trainCategory)/float(numTrainDocs) #文档属于侮辱类的概率
p0Num = np.ones(numWords); p1Num = np.ones(numWords) #创建numpy.ones数组,词条出现数初始化为1，拉普拉斯平滑
p0Denom = 2.0; p1Denom = 2.0 #分母初始化为2,拉普拉斯平滑
for i in range(numTrainDocs):
if trainCategory[i] == 1: #统计属于侮辱类的条件概率所需的数据，即P(w0|1),P(w1|1),P(w2|1)···
p1Num += trainMatrix[i]
p1Denom += sum(trainMatrix[i])
else: #统计属于非侮辱类的条件概率所需的数据，即P(w0|0),P(w1|0),P(w2|0)···
p0Num += trainMatrix[i]
p0Denom += sum(trainMatrix[i])
p1Vect = np.log(p1Num/p1Denom) #取对数，防止下溢出
p0Vect = np.log(p0Num/p0Denom)
return p0Vect,p1Vect,pAbusive #返回属于侮辱类的条件概率数组，属于非侮辱类的条件概率数组，文档属于侮辱类的概率tok in listOfTokens if len(tok) > 2] #除了单个字母，例如大写的I，其它单词变成小写7 测试朴素贝叶斯分类
import random
def spamTest():
docList = []; classList = []; fullText = []
for i in range(1, 26): #遍历25个txt文件
wordList = textParse(open('D:\jiqixuexi\spam/%d.txt' % i, 'r').read())#读取每个垃圾邮件，并字符串转换成字符串列表
docList.append(wordList)
fullText.append(wordList)
classList.append(1)#标记垃圾邮件，1表示垃圾文件
wordList = textParse(open('D:\jiqixuexi\ham/%d.txt' % i, 'r').read()) #读取每个非垃圾邮件，并字符串转换成字符串列表
docList.append(wordList)
fullText.append(wordList)
classList.append(0) #标记非垃圾邮件，1表示垃圾文件
vocabList = createVocabList(docList) #创建词汇表，不重复
trainingSet = list(range(50)); testSet = [] #创建存储训练集的索引值的列表和测试集的索引值的列表
for i in range(10): #从50个邮件中，随机挑选出40个作为训练集,10个做测试集
randIndex = int(random.uniform(0, len(trainingSet))) #随机选取索索引值
testSet.append(trainingSet[randIndex]) #添加测试集的索引值
del(trainingSet[randIndex]) #在训练集列表中删除添加到测试集的索引值
trainMat = []; trainClasses = [] #创建训练集矩阵和训练集类别标签系向量
for docIndex in trainingSet: #遍历训练集
trainMat.append(setOfWords2Vec(vocabList, docList[docIndex])) #将生成的词集模型添加到训练矩阵中
trainClasses.append(classList[docIndex]) #将类别添加到训练集类别标签系向量中
p0V, p1V, pSpam = trainNB0(np.array(trainMat), np.array(trainClasses)) #训练朴素贝叶斯模型
errorCount = 0 #错误分类计数
for docIndex in testSet: #遍历测试集
wordVector = setOfWords2Vec(vocabList, docList[docIndex]) #测试集的词集模型
if classifyNB(np.array(wordVector), p0V, p1V, pSpam) != classList[docIndex]: #如果分类错误
errorCount += 1 #错误计数加1
print("分类错误的测试集：",docList[docIndex])
print('错误率：%.2f%%' % (float(errorCount) / len(testSet) * 100))8 运行
if __name__ == '__main__':
spamTest()
结果：
函数spamTest()会输出在10封随机选择的电子邮件上的分类错误概率。既然这些电子邮件是随机选择的，所以每次的输出结果可能有些差别。
1：收集数据
数据存放在我的GitHub上：
https://github.com/meixialee/-machine-earning/tree/master/%E6%9C%B4%E7%B4%A0%E8%B4%9D%E5%8F%B6%E6%96%AF/feedparser-develop
安装Python包：
在终端进入文件的存放目录，然后输入
python setup.py install
2：测试算法：RSS源分类器
2.1 计算出现频率
import operator
def calcMostFreq(vocabList, fullText):
freqDict = {} #新建字典
for token in vocabList: #遍历
freqDict[token] = fullText.count(token)#统计词汇表每个元素出现的次数
sortedFreq = sorted(freqDict.items(), key=operator.itemgetter(1), reverse=True) #根据字典的值降序排序
return sortedFreq[:30] #出现频率最高的30个词
testSet) * 100))
2.2 RSS源分类器
import feedparser # feedparser是python中最常用的RSS程序库
def localWords(feed1, feed0):
docList = []; classList = []; fullText = [] #初始化数据列表
minLen = min(len(feed1['entries']), len(feed0['entries']))#entries内容无法抓取，网站涉及反爬虫技术
for i in range(minLen):
wordList = textParse(feed1['entries'][i]['summary'])#切分文本
docList.append(wordList) #切分后的文本以原始列表形式加入文档列表
fullText.extend(wordList)#切分后的文本直接合并到词汇列表
classList.append(1) ##标记垃圾邮件，1表示垃圾文件
wordList = textParse(feed0['entries'][i]['summary']) #切分文本
docList.append(wordList) #切分后的文本以原始列表形式加入文档列表
fullText.extend(wordList) #切分后的文本直接合并到词汇列表
classList.append(0) #标签列表更新
vocabList = createVocabList(docList) #获得词汇表
top30Words = calcMostFreq(vocabList, fullText) #获得30个频率最高的词汇
for pairW in top30Words: #去掉出现次数最高的那些词
if pairW[0] in vocabList: vocabList.remove(pairW[0])
trainingSet = range(2*minLen); testSet = []#随机构建测试集
for i in range(20): # 随机选取二十个样本作为测试样本
randIndex = int(random.uniform(0, len(trainingSet))) #随机得到Index
testSet.append(trainingSet[randIndex]) #将该样本加入测试集中
del(trainingSet[randIndex]) #同时将该样本从训练集中剔除
trainMat = []; trainClasses = [] #初始化训练集数据列表和标签列表
for docIndex in trainingSet: #遍历训练集
trainMat.append(setOfWords2Vec(vocabList, docList[docIndex])) #词表转换到向量，并加入到训练数据列表中
trainClasses.append(classList[docIndex]) #相应的标签也加入训练标签列表中
p0V, p1V, pSpam = trainNB0(array(trainMat), array(trainClasses)) #朴素贝叶斯分类器训练函数
errorCount = 0 #初始化错误计数
for docIndex in testSet: #遍历测试集进行测试
wordVector = setOfWords2Vec(vocabList, docList[docIndex])#词表转换到向量
if classifyNB(array(wordVector), p0V, p1V, pSpam) != classList[docIndex]: #判断分类结果与原标签是否一致
errorCount += 1 #如果不一致则错误计数加1
print("classification error",docList[docIndex]) #并且输出出错的文档
print('the erroe rate is: ', float(errorCount)/len(testSet)) #打印输出信息
return vocabList, p0V, p1V #返回词汇表和两个类别概率向量
2.3显示地域性相关单词
import operator
def getTopWords(ny, sf):
vocabList, p0V, p1V = localWords(ny, sf) # RSS源分类器返回概率
topNY = []; topSF = []
for i in range(len(p0V)): # 设定阈值，返回大于阈值的所有词，如果输出信息很多，就提高一下阈值
if p0V[i] > -4.5: topSF.append((vocabList[i], p0V[i]))
if p1V[i] > -4.5: topNY.append((vocabList[i], p1V[i]))
sortedSF = sorted(topSF, key=lambda pair: pair[1], reverse=True) # 排序
print("SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**")# 打印
for item in sortedSF:
print(item[0])
sortedNY = sorted(topNY, key=lambda pair: pair[1], reverse=True) # 排序
print("NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**")# 打印
for item in sortedNY:
print(item[0])
到这里就草草结束了，学习为主，学习为主！
图大，扫描关注我吧
以上是关于朴素贝叶斯之应用的主要内容，如果未能解决你的问题，请参考以下文章