一、使用朴素贝叶斯过滤垃圾邮件
使用朴素贝叶斯计算每一封邮件是垃圾邮件的概率p1和非垃圾邮件的概率p0,如果p1 > p0,则是垃圾邮件,否则不是。
首先,我们先介绍一个例子:
对于任意一条评论是否带有侮辱性质?我们通常看这个评论中是否包含侮辱性词汇,对于人来说,侮辱性词汇我们一眼就能够看出来,可是计算机并不理解什么是侮辱性,而我们又不能直接告诉计算机哪些词是侮辱性的,因为我们也列举不全,我们应该让程序本身去判断一个词是侮辱性的概率,所以我们需要通过给定数据集训练算法。
表示句子中包含w(单词组合)时是侮辱性或非侮辱性的概率
所以:表示这个句子是侮辱性(非侮辱性)的概率,等于训练集中侮辱性的句子总数/总句子数(非侮辱性的句子总数/总句子数)
表示这个句子是侮辱性(非侮辱性)条件下句子里每一个单词是侮辱性(非侮辱性)的概率
表示这个句子中每一个单词在总的训练集下出现的概率
当需要测试一个句子是否有侮辱性时,我们只需要判断这个句子是侮辱性的概率是否大于非侮辱性的概率 (p1>p0?)
转化成代码上的一些实现问题:
表达式,其中w是一个向量,表示在条件下这个句子中每一个单词出现的概率,为了使这个公式的可编程性更好我们把他转换成两个向量的乘积:
Vec2Classify*p1Vec
这两个向量的长度都是训练集中所有词汇的集合(无重复)长度
Vec2Classify中把在当前句子中出现了的单词索引位置置为1,未出现的置为0。
p1Vec训练集中所有出现过的单词是侮辱性的概率(侮辱性的概率用每个单词在侮辱性句子中出现的频数/侮辱性句子中总的单词数表示,非侮辱性保存在p0Vec中)
用每个单词在训练集所有句子中出现的频数/所有句子总的单词数。又因为我们最终要判断的是p1>p0?而在p1和p0的计算中都会除以这个值,且这个值是一样的,所以我们可以不用计算,直接省去。
过滤邮件与这个其实就是一样的。1.1、准备数据:将文本文件解析成词条向量
- 从文本中构建词向量
- 参数:a、词汇表;b、输入的文档
- 对于文档进行切分:a、以字母数字之外的字符作为分隔符切分;b、去掉切分后生成的空白串;c、统一词格式(都变小写);
# 字符串拆分、小写、去除长度小于3的
def textParse(bigString):
listOfTokens = re.split('\w+', bigString)
return [tok.lower() for tok in listOfTokens if len(tok) > 2]
textParse()函数接受一个大字符串并将其解析为字符串列表
# 创建实验样本
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']]
# 0代标非侮辱性言论, 1代标侮辱性言论
classVec = [0, 1, 0, 1, 0, 1]
return postingList, classVec
# 创建一个包含在所有文档中出现的不重复的词表
def createVocabList(dataSet):
# 创建一个空集
vocabSet = set([])
# 将每篇文档返回的新词集合添加到该集合中
for document in dataSet:
# 创建两个集合的并集
vocabSet = vocabSet | set(document)
return list(vocabSet)
# vocabList 词汇表, inputList 文档, 返回值 文档向量
def setOfWords2Vec(vocabList, inputSet):
# 创建一个其中所含元素都为0的向量,表示词汇表中的单词是否在文档中出现
returnVec = [0] * len(vocabList)
# 遍历文档中的所有单词,检查是否出现在词汇表中
for word in inputSet:
if word in vocabList:
# 在词汇表中出现,标记为1
returnVec[vocabList.index(word)] = 1
else:
print("the word: %s is not in my vocabulary!" % word)
# 返回文档向量,
return returnVec
loadDataSet()函数是在之前没用文本里的数据时建的一个测试数据集,加载了一个实验样本
createVocabList()会创建一个包含在所有文档中出现的不重复词列表
获得词汇表后,使用setOfWords2Vec()函数,输入参数为词汇表以及某个切分后的文档,输出是文档向量,向量的每一元素为1或0,分别表示词汇表中的单词在文档中是否出现,出现为1。
1.2 训练算法:从词向量计算概率
- 伪代码:
计算每个类别中文档的数目
对每篇训练文档:
对每个类别:
如果词条出现在文档中-->增加该词条的计数值
增加所有词条的计数值
对每个类别:
对每个词条:
将该词条的数目除以总词条数目得到条件概率
返回每个类别的条件概率
# 训练朴素贝叶斯算法,trainMatrix 文档矩阵;trainCategory 文档类别标签所构成的向量
def trainNB0(trainMatrix, trainCategory):
# 计算文档数目和第一个文档中词条数
numTrainDocs = len(trainMatrix)
numWords = len(trainMatrix[0])
# 求在训练集中任取一个文档是侮辱性(trainCategory=1)的概率
pAbusive = sum(trainCategory) / float(numTrainDocs)
# 初始化,没有用p0Num = zeros(numWords),是为了避免某一个概率值为0,
# 使得最后的乘积也是0,即使变成log(),log(0)也是不对的
p0Num = ones(numWords)
p1Num = ones(numWords)
# 相应地 p0Denom = 0.0 修改为 p0Denom = 2.0
p0Denom = 2.0
p1Denom = 2.0
for i in range(numTrainDocs):
# 如果是侮辱性言论,
if trainCategory[i] == 1:
# 把当前文档的词条向量加到p1Num上,p1Num:侮辱性言论中每个单词出现次数
p1Num += trainMatrix[i]
# p1Denom:侮辱性言论中总单词数
p1Denom += sum(trainMatrix[i])
# 非侮辱性
else:
# 把当前文档的词条向量加到p0Num上,p0Num:非侮辱性言论中每个单词出现次数
p0Num += trainMatrix[i]
# p0Denom:非侮辱性言论中总单词数
p0Denom += sum(trainMatrix[i])
# 对每个元素做除法(log把乘变成加避免下溢出)
p1Vect = log(p1Num / p1Denom)
# print(p1Vect)
p0Vect = log(p0Num / p0Denom)
# print(p0Vect)
# lineplot(p0Num, p0Vect)
return p0Vect, p1Vect, pAbusive
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
# p1:是侮辱性文档的概率,对每一个单词累加log()概率
p1 = sum(vec2Classify * p1Vec) + log(pClass1)
# p0:是非侮辱性文档的概率
p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1)
# 如果p1 > p0,侮辱性文档,反之,非
if p1 > p0:
return 1
else:
return 0
1.3 测试算法:使用朴素贝叶斯进行交叉验证
# 字符串拆分、小写、去除长度小于3的
def textParse(bigString):
listOfTokens = re.split('\w+', bigString)
return [tok.lower() for tok in listOfTokens if len(tok) > 2]
# spamTest():
def spamTest():
docList = []
classList = []
fullList = []
for i in range(1, 26):
# 把spam(垃圾邮件)文件夹下的文本加入到docList、fullList中
wordList = textParse(open('email/spam/%d.txt' % i).read())
docList.append(wordList)
fullList.extend(wordList)
# 垃圾邮件类别为1,calssList加入1
classList.append(1)
# 把ham(非垃圾邮件)文件夹下的文本加入到docList、fullList中
wordList = textParse(open('email/ham/%d.txt' % i, encoding='gb18030', errors='ignore').read())
docList.append(wordList)
fullList.extend(wordList)
# 垃圾邮件类别为0,calssList加入0
classList.append(0)
# 根据输入的文档生成包含文档中所有单词的词汇表
vocabList = bayes.createVocabList(docList)
# 生成长度为50的列表,元素值为0-49,用作docList列表的索引
trainingSet = list(range(50))
# 声明testSet列表
testSet = []
# 在trainingSet中任取10个不重复数据的索引加入到测试及
for i in range(10):
randIndex = int(random.uniform(0, len(trainingSet)))
# 把索引对应的trainingSet中的值加入到testSet中
testSet.append(trainingSet[randIndex])
# 删除加入到testSet中的索引
del trainingSet[randIndex]
# 声明trainMat(训练数据集)、trainClasses(训练数据集的分类列表)
trainMat = []
trainClasses = []
# 给训练数据集、trainClasses添加数据
for docIndex in trainingSet:
trainMat.append(bayes.setOfWords2Vec(vocabList, docList[docIndex]))
trainClasses.append(classList[docIndex])
# 调用训练算法进行训练
p0V, p1V, pSpam = bayes.trainNB0(array(trainMat), array(trainClasses))
# 使用测试数据集测试训练后的算法的错误率
errorCount = 0
for docIndex in testSet:
# 对于测试数据,求每一个文档的词条向量
wordVector = bayes.setOfWords2Vec(vocabList, docList[docIndex])
# 对每一个词条向量分类并与真实分类进行比较计算错误率
if bayes.classifyNB(array(wordVector), p0V, p1V, pSpam) != classList[docIndex]:
errorCount += 1
print('the error rate is:', float(errorCount) / len(testSet))
第一个函数textParse()接受一个大字符串并将其解析为字符串列表
第二个函数spamTest()对贝叶斯垃圾邮件分类器进行自动化处理
2 示例:使用朴素贝叶斯分类器从个人广告中获取区域倾向
我们将分别从美国的两个城市中选取一些人, 通过分析这些人发布的征婚广告信息,来比较两个城市的人们在广告用词上是否不同。
2.1 收集数据:导入RSS源
需要feedparse包来作为RSS阅读器
2.2 测试算法
# 返回出现频率最高的30个词
def calcMostFreq(vocabList, fullText):
freqDict = {}
for token in vocabList:
freqDict[token] = fullText.count(token)
sortedFreq = sorted(freqDict.items(), key=operator.itemgetter(1), reverse=True)
return sortedFreq[:30]
# 加载数据,计算贝叶斯的错误率
def localWords(feed1, feed0):
docList = []
classList = []
fullText = []
minLen = min(len(feed1['entries']), len(feed0['entries']))
for i in range(minLen):
wordList = textParse(feed1['entries'][i]['summary'])
docList.append(wordList)
fullText.extend(wordList)
classList.append(1)
wordList = textParse(feed0['entries'][i]['summary'])
docList.append(wordList)
fullText.extend(wordList)
classList.append(0)
vocabList = createVocabList(docList)
# 获取出现频率最高的30个词
top30Words = calcMostFreq(vocabList, fullText)
# 去掉出现次数最高的30个词,语言中大部分都是冗余和结构辅助性内容,
# 即出现次数多的中有大量的停用词
for pairW in top30Words:
if pairW[0] in vocabList:
vocabList.remove(pairW[0])
trainingSet = list(range(2 * minLen))
testSet = []
# 任取20条数据的索引加入到测试数据集中
for i in range(20):
randIndex = int(random.uniform(0, len(trainingSet)))
testSet.append(trainingSet[randIndex])
del trainingSet[randIndex]
# 构造训练数据集
trainMat = []
trainClasses = []
for docIndex in trainingSet:
# 词袋模型
trainMat.append(bagOfWord2VecMN(vocabList, docList[docIndex]))
trainClasses.append(classList[docIndex])
# 训练算法
p0V, p1V, pSpam = trainNB0(array(trainMat), array(trainClasses))
# 初始化错误率,并计算算法错误率
errorCount = 0
for docIndex in testSet:
wordVector = bagOfWord2VecMN(vocabList, docList[docIndex])
if classifyNB(array(wordVector), p0V, p1V, pSpam) != classList[docIndex]:
errorCount += 1
print('the error rate is : ', float(errorCount) / len(testSet))
return vocabList, p0V, p1V
# 测试
ny = feedparser.parse('http://newyork.craigslist.org/stp/index.rss')
sf = feedparser.parse('http://sfbay.craigslist.org/stp/index.rss')
vocablist, psf, pny = localWords(ny, sf)
loacalWords()使用两个RSS源作为参数。RSS源要在函数外导入,这样做的原因是RSS源会随时间而改变。