六、朴素贝叶斯案例分析

1.朴素贝叶斯案例分析

朴素贝叶斯案例分析的内容有：

• 项目概述：屏蔽社区留言板的侮辱性言论
• 项目实战：朴素贝叶斯案例的实现

数据集信息

• 朴素贝叶斯案例的数据包含6条样本，具体有3个正样本和3个负样本，标签0表示样本为正样本，标签为1表示样本为带有侮辱性的词汇。
  

2 项目概述

2.1 屏蔽社区留言板的侮辱性言论

• 以在线社区的留言板为例。为了不影响社区的发展，要屏蔽侮辱性的言论。
• 对此问题建立两个类别：侮辱类和非侮辱类，使用1和0分别标识.
  

3 项目实战

3.1 屏蔽社区留言板的侮辱性言论的具体流程

• 准备数据：从文本构建词向量
• 分析数据：统计每个样本在词库中的出现情况
• 训练算法：计算条件概率和类标签概率
• 测试算法：构建朴素贝叶斯分类器
• 使用算法：对社区留言板言论进行分类

3.3 步骤一:准备数据，从文本构建词向量

# 加载数据集
def loadDataSet():
    # 切分的词条,样本集合
    postingList = [['my', 'dog', 'has', 'flea', 'problems', 'help', 'please', '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']]
    # 类别标签向量，1代表侮辱性词汇，0代表不是
    classVec = [0, 1, 0, 1, 0, 1]
    # 返回实验样本切分的词条、类别标签向量
    return postingList, classVec


# 构建词汇表
def createVocabList(dataSet):
    # 创建一个空的不重复列表[1,2,2,3,4,4,6,9]
    # set是一个无序且不重复的元素集合[1,2,3,4,6,9]
    vocabSet = set([])
    # dataSet：表示样本数据，公共6个样本
    for document in dataSet:
        # 取并集
        vocabSet = vocabSet | set(document)
    return list(vocabSet)


# 根据vocabList词汇表，将inputSet向量化，向量的每个元素为1或0
def setOfWords2Vec(vocabList, inputSet):
    # 创建一个其中所含元素都为0的向量
    returnVec = [0] * len(vocabList)  # 生成32个元素大小的向量
    # 遍历每个词条
    for word in inputSet:
        if word in vocabList:
            # 如果词条存在于词汇表中，则置1 One-hot
            # index返回word出现在vocabList中的索引
            # 若这里改为+=则就是基于词袋的模型，遇到一个单词会增加单词向量中德对应值
            returnVec[vocabList.index(word)] = 1
        else:
            print("the word: %s is not in my Vocabulary" % word)
    # 返回文档向量
    return returnVec

3.4 步骤二：计算条件概率和类标签概率

# 朴素贝叶斯分类器训练函数
def trainNB0(trainMatrix, trainCategory):
    # trainMatrix 大小为6的全0或1的数据
    # trainCategory 标签信息
    # 计算训练文档数目
    numTrainDocs = len(trainMatrix)  # 6
    # 计算每篇文档的词条数目
    numWords = len(trainMatrix[0])  # 32
    # 文档属于侮辱类的概率
    pAbusive = sum(trainCategory) / float(numTrainDocs)  # 0.5
    # 创建numpy.zeros数组，词条出现数初始化为0
    # p0Num = np.zeros(numWords)
    # p1Num = np.zeros(numWords)
    # 创建numpy.ones数组，词条出现数初始化为1,拉普拉斯平滑
    p0Num = np.ones(numWords)
    p1Num = np.ones(numWords)
    # 分母初始化为0
    # p0Denom = 0.0
    # p1Denom = 0.0
    # 分母初始化为2，拉普拉斯平滑
    p0Denom = 2.0
    p1Denom = 2.0
    for i in range(numTrainDocs):
        # p0vector = log[P(w0|1),P(w1|1),...,P(w31|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)...
        if trainCategory[i] == 1:
            # 统计所有侮辱类文档中每个单词出现的个数
            p1Num += trainMatrix[i]
            # 统计一共出现的侮辱单词的个数
            p1Denom += sum(trainMatrix[i])
        # 统计属于非侮辱类的条件概率所需的数据，即P(|0),P(w1|0),P(w2|0)...
        else:
            # 统计所有非侮辱类文档中每个单词出现的个数
            p0Num += trainMatrix[i]
            # 统计一共出现的非侮辱单词的个数
            p0Denom += sum(trainMatrix[i])
    # 每个侮辱类单词分别出现的概率
    # p1Vect = p1Num / p1Denom
    # 取对数，防止下溢出
    # p1Vect = np.log(p1Num / p1Denom)
    p1Vect = p1Num / p1Denom
    # 每个非侮辱类单词分别出现的概率
    # p0Vect = p0Num / p0Denom
    # 取对数，防止下溢出
    # p0Vect = np.log(p0Num / p0Denom)
    p0Vect = p0Num / p0Denom
    # 返回属于非侮辱类的条件概率数组、属于侮辱类的条件概率数组、文档属于侮辱类的概率
    return p0Vect, p1Vect, pAbusive

3.5 步骤三：构建朴素贝叶斯算法分类器

# 朴素贝叶斯分类器训练函数
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
    # 对应元素相乘
    # p1 = reduce(lambda x,y:x*y, vec2Classify * p1Vec) * pClass1 取对数
    # p0 = reduce(lambda x,y:x*y, vec2Classify * p0Vec) * (1.0 - pClass1)
    # 对应元素相乘，logA*B = logA + logB所以这里是累加
    p1 = sum(vec2Classify * p1Vec) + np.log(pClass1)
    p0 = sum(vec2Classify * p0Vec) + np.log(1.0 - pClass1)
    # print('p0:', p0)
    # print('p1:', p1)
    if p1 > p0:
        return 1
    else:
        return 0

3.6 步骤四:对社区留言板言论进行分类

# 测试朴素贝叶斯分类器
def testingNB():
    # 创建实验样本
    listOPosts, listclasses = loadDataSet()  # 调用加载数据集
    # listOPosts 代表了数据集
    for l in listOPosts:
        print(l)
    print(listclasses)  # 表示了标签信息
    print("+++++++++++++++++++++")

    # 创建词汇表,将输入文本中的不重复的单词进行提取组成单词向量
    myVocabList = createVocabList(listOPosts)
    print(type(myVocabList))
    print(len(myVocabList))
    print(myVocabList)
    print("===================")

    trainMat = []
    for postinDoc in listOPosts:
        # 将实验样本向量化若postinDoc中的单词在myVocabList出现则将returnVec该位置的索引置1
        # 将6组数据list存储在trainMat中
        trainMat.append(setOfWords2Vec(myVocabList, postinDoc))
    for i in trainMat:
        print(i)

    # # 训练朴素贝叶斯分类器
    # p0V表示非侮辱类的概率数组
    # pAb表示侮辱类的概率值
    p0V, p1V, pAb = trainNB0(np.array(trainMat), np.array(listclasses))
    print(p0V, 1 - pAb)
    print("+++++++++++++++")
    print(p1V, pAb)

    # # 测试样本1
    # """
    #     1. 测试样本数据
    #     2. 把测试数据转化为对应的词向量表示[32]
    #     3. 代入预测函数[32]*[每个单词的权重，32]
    # """
    testEntry = ['love', 'my', 'dalmation']  # 测试样本
    # 测试样本向量化返回这三个单词出现位置的索引
    thisDoc = np.array(setOfWords2Vec(myVocabList, testEntry))  # 把测试集转化成了向量
    if classifyNB(thisDoc, p0V, p1V, pAb):
        # 执行分类并打印结果
        print(testEntry, '属于侮辱类')
    else:
        # 执行分类并打印结果
        print(testEntry, '属于非侮辱类')

    # 测试样本2
    testEntry = ['stupid', 'garbage']
    # 将实验样本向量化
    thisDoc = np.array(setOfWords2Vec(myVocabList, testEntry))
    if classifyNB(thisDoc, p0V, p1V, pAb):
        # 执行分类并打印结果
        print(testEntry, '属于侮辱类')
    else:
        # 执行分类并打印结果
        print(testEntry, '属于非侮辱类')	

3.6 运行结果

• [‘love’, ‘my’, ‘dalmation’] 属于非侮辱类
• [‘stupid’, ‘garbage’] 属于侮辱类