机器学习实战脱坑手册-贝叶斯（超详细注释）

机器学习实战的坑实战太多了，这里把贝叶斯这一章的坑都将一下。

首先是有个报错'gbk' codec can't decode byte 0xae in position 199: illegal multibyte sequence，解决办法找到你的email\ham\23.txt,zh找到SciFinance？把问号换成空格即可

报错2：'range' object doesn't support item deletion这里把你的trainingSet = range(50)变成trainingSet=list(range(50))就OK了

下来给出超级详细的代码注释：

'''
Created on Oct 19, 2010

@author: Peter
'''
from numpy import *
import operator
import codecs
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']]
    classVec = [0,1,0,1,0,1]    #1 is abusive, 0 not
    return postingList,classVec
#统计列表中所有不重复的单词,词汇袋              
def createVocabList(dataSet):
    #定义词汇集
    vocabSet = set([])  
    #遍历数据集
    for document in dataSet:
        #把每个文档合并到词汇袋中
        vocabSet = vocabSet | set(document) #union of the two sets
    return list(vocabSet)
#把单词转换成向量,用词袋模型，计算词出现的次数
#inputSet是输入语句
#vocalList是词袋（训练数据集中出现过的单词）
#returnVec是对比语句会让词袋后记录出现的单词的列表
def setOfWords2Vec(vocabList, inputSet):
    #创建一个空的单词列
    returnVec = [0]*len(vocabList)
    #遍历数据集单词
    for word in inputSet:
        #存在单词在词袋中则
        if word in vocabList:
            #index用于找到第一个与之匹配的下标
            returnVec[vocabList.index(word)] = 1
        else: 
            print ("the word: %s is not in my Vocabulary!" % word)
    return returnVec
#朴素贝叶斯分类训练函数
#trainMatrix是训练矩阵
#trainMatrix由来************
#训练数据集，训练标签集=bayes.loadDataSet()
#词汇袋=bayes.createVocabList(训练数据集)
#初始化训练矩阵
#for 文档 in 训练数据集：（数据集里面有很多文档）
#   训练矩阵.append(bayes.setOfWords2Vec(词袋，文档))
#出来的训练矩阵就是每个文档中出现在词袋中的单词
#trainMatrix类似这样([0,1,1,0],[1,0,1,0]...)
def trainNB0(trainMatrix,trainCategory):
    #计算文档的数目
    numTrainDocs = len(trainMatrix)
    #计算词袋单词的数目
    numWords = len(trainMatrix[0])
    #计算类别的概率 abusive的文档站文档总数的百分比
    pAbusive = sum(trainCategory)/float(numTrainDocs)
    #初始化计数器，1行*numWords列
    #p0是not abusive p1是abusive
    #为什么是不是0矩阵？
    #因为如果是0的话，按照贝叶斯公式，p（W0|1）*p（W1|1）
    #如果任意概率为0则全为0所以初始值为1
    #同时下面分母初始化2
    p0Num = ones(numWords); p1Num = ones(numWords)       
    #初始化分母
    p0Denom = 2.0; p1Denom = 2.0
    #遍历数据集中每个文档
    for i in range(numTrainDocs):
        #如果这文档是abusive类的计算它的abusive比例
        if trainCategory[i] == 1:
            #储存每个词在abusive下出现次数
            p1Num += trainMatrix[i]
            #储存abusive词的总数目
            p1Denom += sum(trainMatrix[i])
        else:
            #储存每个词在not abusive的出现次数
            p0Num += trainMatrix[i]
            #储存not abusive词的总数目
            p0Denom += sum(trainMatrix[i])
    #使用log是为了防止数据向下溢出
    # 计算abusive下每个词出现的概率 
    p1Vect = log(p1Num/p1Denom)          #change to log()
    # 计算not abusive下每个词出现的概率
    p0Vect = log(p0Num/p0Denom)          #change to log()
    #返回词出现的概率和文档为abusice的概率
    return p0Vect,p1Vect,pAbusive
#贝叶斯分类
#第一个参数是要被训练的向量
#后面三个参数是根据上面一个函数处理训练样本后得到的参数
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
    #计算abusive的概率
    p1 = sum(vec2Classify * p1Vec) + log(pClass1)
    #计算not abusive概率
    p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1)
    #看哪个概率大
    if p1 > p0:
        return 1
    else: 
        return 0    
#计算文档单词在某个词袋中出现的次数
# 把单词转换成向量,用对比已经有得词袋，计算词出现的次数  
def bagOfWords2VecMN(vocabList, inputSet):
    returnVec = [0]*len(vocabList)
    for word in inputSet:
        if word in vocabList:
            returnVec[vocabList.index(word)] += 1
    return returnVec
#测试贝叶斯
def testingNB():
    #加载数据集
    listOPosts,listClasses = loadDataSet()
    #创建词汇袋
    myVocabList = createVocabList(listOPosts)
    trainMat=[]
    for postinDoc in listOPosts:
        trainMat.append(setOfWords2Vec(myVocabList, postinDoc))
    p0V,p1V,pAb = trainNB0(array(trainMat),array(listClasses))
    testEntry = ['love', 'my', 'dalmation']
    thisDoc = array(setOfWords2Vec(myVocabList, testEntry))
    print (testEntry,'classified as: ',classifyNB(thisDoc,p0V,p1V,pAb))
    testEntry = ['stupid', 'garbage']
    thisDoc = array(setOfWords2Vec(myVocabList, testEntry))
    print (testEntry,'classified as: ',classifyNB(thisDoc,p0V,p1V,pAb))
#输入字符串，输出单词列表
def textParse(bigString):    
    import re
    listOfTokens = re.split(r'\W*', bigString)
    #返回小写单词列表
    return [tok.lower() for tok in listOfTokens if len(tok) > 2] 
#垃圾邮寄过滤测试函数
def spamTest():
    # 定义docList文档列表，classList类别列表，fullText所有文档词汇 
    docList=[]; classList = []; fullText =[]
    #遍历文件夹内文件
    #我们也可以用这个来实现
    #    doclist=listdir('trainingDigits')
    #    num=len(doclist)
    #    for i in range(1,num)
    for i in range(1,26):
        # 定义并读取垃圾邮件文件的词汇分割列表
        wordList = textParse(open('email/spam/%d.txt' % i).read())
        # 将词汇列表加到文档列表中  
        docList.append(wordList)
        # 将所有词汇列表汇总到fullText中  
        fullText.extend(wordList)
        # 文档类别为1，spam  
        classList.append(1)
        # 读取非垃圾邮件的文档
        wordList = textParse(open('email/ham/%d.txt' % i).read())
        # 添加到文档列表中
        docList.append(wordList)
        # 添加到所有词汇列表中
        fullText.extend(wordList)
        # 类别为0，非垃圾邮件
        classList.append(0)
    # 创建词汇列表 
    vocabList = createVocabList(docList)
    # 定义训练集的索引和测试集
    trainingSet = list(range(50)); testSet=[]
    # 随机的选择10个作为测试集
    for i in range(10):
        #随机索引
        randIndex = int(random.uniform(0,len(trainingSet)))
        #将随机选择的文档加入测试集
        testSet.append(trainingSet[randIndex])
        #从训练集中删除随机选择的文档
        del(trainingSet[randIndex])  
    #定义训练集的矩阵和类别
    trainMat=[]; trainClasses = []
    #遍历训练集，求先验概率和条件概率
    for docIndex in trainingSet:
        #将词汇列表变成向量放到trainList中
        trainMat.append(bagOfWords2VecMN(vocabList, docList[docIndex]))
        #添加训练集的类标签
        trainClasses.append(classList[docIndex])
    #计算先验概率，条件概率
    p0V,p1V,pSpam = trainNB0(array(trainMat),array(trainClasses))
    errorCount = 0
    #对测试集分类
    for docIndex in testSet:        #classify the remaining items
        #将测试集向量化
        wordVector = bagOfWords2VecMN(vocabList, docList[docIndex])
        #对测试数据进行分类
        if classifyNB(array(wordVector),p0V,p1V,pSpam) != classList[docIndex]:
            #错误的话错误计数加一
            errorCount += 1
            print( "classification error",docList[docIndex])
    print ('the error rate is: ',float(errorCount)/len(testSet))
    #return vocabList,fullText