import numpy as np
import pandas as pd
from functools import reduce
'''
函数功能:创建实验数据集
参数说明:无参数
返回:
postingList:切分好的样本词条
classVec:类标签向量
'''
def loadDataSet():
dataSet = [
['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']
] #切分好的词条
classVec = [0,1,0,1,0,1] #类别标签向量,1代表侮辱性词汇,0代表非侮辱性词汇
return dataSet, classVec
"""
函数功能:将切分的样本词条整理成词汇表(不重复)
参数说明:
dataSet:切分好的样本词条
返回:
vocabList:不重复的词汇表
"""
def createVocabList(dataSet):
vocabSet = set() # 创建一个空的集合
for doc in dataSet: # 遍历dataSet中的每一条言论
vocabSet = vocabSet | set(doc) # 取并集
vocabList = list(vocabSet)
return vocabList
'''
函数功能:根据vocabList词汇表,将inputSet向量化,向量的每个元素为1或0
参数说明:
vocabList:词汇表
inputSet:切分好的词条列表中的一条
返回:
returnVec:文档向量,词集模型
'''
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:
if word in vocabList: # 如果词条存在词汇表中,则变为1
returnVec[vocabList.index(word)] = 1
else:
print(f" {word} is not in my Vocabulary!")
return returnVec # 返回文档向量
"""
函数功能:生成训练集向量列表
参数说明:
dataSet:切分好的样本词条
返回:
trainMat:所有的词条向量组成的列表
"""
def get_trainMat(dataSet):
trainMat = [] # 初始化向量列表
vocabList = createVocabList(dataSet) #生成词汇表
for inputSet in dataSet: # 遍历样本词条中的每一条样本
returnVec = setOfWords2Vec(vocabList, inputSet) #将当前词条向量化
trainMat.append(returnVec) #追加到向量列表中
return trainMat
'''
函数功能: 朴素贝叶斯分类器训练函数
参数说明:
trainMat: 训练文档矩阵
classVec: 训练列表标签向量
返回:
p0v: 非侮辱类的条件概率数组
p1v: 侮辱类的条件概率数组
pAb: 文档属于侮辱类的概率
tip:
利用拉普拉斯平滑解决因为矩阵的中概率为0 导致的无法分类问题
利用取对数解决因为矩阵的数值过小导致的连乘下溢出问题
'''
def trainNB(trainMat, classVec):
n = len(trainMat) # 计算训练的文档数目
m = len(trainMat[0]) #计算每篇文档的词条数
pAb = sum(classVec) / n #文档属于侮辱类的概率
p0Num = np.ones(m) #词条出现数初始化为1
p1Num = np.ones(m) #词条出现数初始化为1
p0Denom = 2 #分母初始化为2
p1Denom = 2 #分母初始化为2
for i in range(n): #遍历每一个文档
if classVec[i] == 1: #统计属于侮辱类的条件概率所需要的数据
p1Num += trainMat[i]
p1Denom += sum(trainMat[i])
else: #统计属于非侮辱类的条件概率所需要的数据
p0Num += trainMat[i]
p0Denom += sum(trainMat[i])
p1v = np.log(p1Num / p1Denom)
p0v = np.log(p0Num / p0Denom)
return p0v, p1v, pAb #返回属于非侮辱类,侮辱类和文档属于侮辱类的概率
'''
函数功能:朴素贝叶斯分类器分类函数
参数说明:
vec2Classify:待分类的词条数组
p0V:非侮辱类的条件概率数组
p1V:侮辱类的条件概率数组
pAb:文档属于侮辱类的概率
返回:
0:属于非侮辱类
1:属于侮辱类
'''
def classifyNB(vec2Classify, p0v, p1v, pAb):
p1 = sum(vec2Classify * p1v) + np.log(pAb) #对应元素相乘
p0 = sum(vec2Classify * p0v) + np.log(1 - pAb) #对应元素相乘
if p1 > p0:
return 1
else:
return 0
'''
函数功能:朴素贝叶斯测试函数
参数说明:
testVec:测试样本
返回:测试样本的类别
'''
def testingNB(testVec):
dataSet, classVec = loadDataSet() #创建实验样本
vocabList = createVocabList(dataSet) #创建词汇表
trainMat = get_trainMat(dataSet) #将实验样本向量化
p0v, p1v, pAb = trainNB(trainMat, classVec) #训练朴素贝叶斯分类器
thisone = setOfWords2Vec(vocabList, testVec) #测试样本向量化
if classifyNB(thisone, p0v, p1v, pAb):
print(testVec, '属于侮辱类') #执行分类并打印分类结果
else:
print(testVec, '属于非侮辱类') #执行分类并打印分类结果
#测试样本1
testVec1 = ['love', 'my', 'dalmation']
testingNB(testVec1)
#测试样本2
testVec2 = ['stupid', 'garbage']
testingNB(testVec2)
#测试样本3
testVec3 = ['stupid', 'love']
testingNB(testVec3)
#测试样本4
testVec4 = ['stupid']
testingNB(testVec4)
朴素贝叶斯(Naive Bayes)算法 - 文档分类(敏感词判断)
最新推荐文章于 2024-03-14 14:53:09 发布