朴素贝叶斯Python的示例分析-创新互联
这篇文章主要介绍朴素贝叶斯Python的示例分析,文中介绍的非常详细,具有一定的参考价值,感兴趣的小伙伴们一定要看完!
成都创新互联从2013年开始,先为临翔等服务建站,临翔等地企业,进行企业商务咨询服务。为临翔企业网站制作PC+手机+微官网三网同步一站式服务解决您的所有建站问题。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()
以上是“朴素贝叶斯Python的示例分析”这篇文章的所有内容,感谢各位的阅读!希望分享的内容对大家有帮助,更多相关知识,欢迎关注创新互联成都网站设计公司行业资讯频道!
另外有需要云服务器可以了解下创新互联scvps.cn,海内外云服务器15元起步,三天无理由+7*72小时售后在线,公司持有idc许可证,提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案,具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势,专为企业上云打造定制,能够满足用户丰富、多元化的应用场景需求。
分享标题:朴素贝叶斯Python的示例分析-创新互联
转载注明:http://scjbc.cn/article/cdispd.html