09-28 周三 使用朴素贝叶斯进行垃圾邮件处理

09-28 周三 使用朴素贝叶斯进行垃圾邮件处理

简介

 比如说如下的问题解决，就需要理解全概率和贝叶斯概率。

全概率公式

 一定要正确的理解后验概率、联合概率、以及条件概率的含义。

 理解和学习参考 全概率公式

如果一件事的发生和多个原因有关，或者分为多种情况，就可以根据这种情况求和，所以是和事件的概率。

贝叶斯公式

 已知B发生，追查原因，即P(Ai|B).

 找到B发生众多原因当中，找到最可能使B发生的可能原因，是A1还是A3.

答案

代码位置

 该代码位置位于丁毓峰-图解机器学习p44页。源码整体下载 随书源码。

代码分析

整体代码

#程序4-1 实现的朴素贝叶斯实现垃圾邮件分类。名称：scatterdiagram.py
# -*- coding: UTF-8 -*-
import numpy as np
import re
import random
"""
函数说明:将切分的实验样本词条整理成不重复的词条列表，也就是词汇表
参数:
    dataSet - 整理的样本数据集
返回值:
    vocabSet - 返回不重复的词条列表，也就是词汇表
"""
def createVocabList(dataSet):
    vocabSet = set([])  # 创建一个空的不重复列表
    for document in dataSet:                #环取出数据集中的词条
        vocabSet = vocabSet | set(document)  # 取并集
    return list(vocabSet)                   #返回列表
"""
函数说明:根据vocabList词汇表，将inputSet向量化，向量的每个元素为1或0
输入参数:
    vocabList - createVocabList返回的列表
    inputSet - 切分的词条列表
返回至:
    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:                          #遍历每个词条
        if word in vocabList:                      #如果词条存在于词汇表中，则置1
            returnVec[vocabList.index(word)] = 1
        else:
            print("the word: %s is not in my Vocabulary!" % word)
    return returnVec        #返回文档向量
"""
函数说明:根据vocabList词汇表，构建词袋模型
参数:
    vocabList - createVocabList返回的列表
    inputSet - 切分的词条列表
返回值:
    returnVec - 文档向量,词袋模型
"""
def bagOfWords2VecMN(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:             # 遍历每个词条
        if word in vocabList:         # 如果词条存在于词汇表中，则计数加一
            returnVec[vocabList.index(word)] += 1
    return returnVec  # 返回词袋模型
"""
trainNB0函数:朴素贝叶斯分类器训练函数
参数:
    trainMatrix - 训练文档矩阵，即setOfWords2Vec返回的returnVec构成的矩阵
    trainCategory - 训练类别标签向量，即loadDataSet返回的classVec
返回值:
    p0Vect - 正常邮件类的条件概率数组
    p1Vect - 垃圾邮件类的条件概率数组
    pAbusive - 文档属于垃圾邮件类的概率
"""
def trainNB0(trainMatrix, trainCategory):
    numTrainDocs = len(trainMatrix)  # 计算训练的文档数目
    numWords = len(trainMatrix[0])  # 计算每篇文档的词条数
    pAbusive = sum(trainCategory) / float(numTrainDocs)  # 文档属于垃圾邮件类的概率
    p0Num = np.ones(numWords)
    p1Num = np.ones(numWords)  # 创建numpy.ones数组,词条出现数初始化为1,使用拉普拉斯平滑，解决零概率问题
    p0Denom = 2.0
    p1Denom = 2.0  # 分母初始化为2 , 使用拉普拉斯平滑
    for i in range(numTrainDocs):      #循环处理
        if trainCategory[i] == 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)???
            p1Num += trainMatrix[i]
            p1Denom += sum(trainMatrix[i])
        else:  # 统计属于非侮辱类的条件概率所需的数据，即P(w0|0),P(w1|0),P(w2|0)???
            p0Num += trainMatrix[i]
            p0Denom += sum(trainMatrix[i])
    p1Vect = np.log(p1Num / p1Denom)
    p0Vect = np.log(p0Num / p0Denom)   #取对数，防止下溢出
    return p0Vect, p1Vect, pAbusive  # 返回属于正常邮件类的条件概率数组，属于侮辱垃圾邮件类的条件概率数组，文档属于垃圾邮件类的概率
"""
classifyNB函数:朴素贝叶斯分类器分类函数
输入参数:
	vec2Classify - 待分类的词条数组
	p0Vec - 正常邮件类的条件概率数组
	p1Vec - 垃圾邮件类的条件概率数组
	pClass1 - 文档属于垃圾邮件的概率
返回值:
	0 - 属于正常邮件类
	1 - 属于垃圾邮件类
"""
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
    #p1 = reduce(lambda x, y: x * y, vec2Classify * p1Vec) * pClass1  # 对应元素相乘
    #p0 = reduce(lambda x, y: x * y, vec2Classify * p0Vec) * (1.0 - pClass1) # 对应元素相乘
    p1=sum(vec2Classify*p1Vec)+np.log(pClass1)                 #求和
    p0=sum(vec2Classify*p0Vec)+np.log(1.0-pClass1)              #求和
    if p1 > p0:   #如果满足p1 > p0de 条件，返回1，否则返回0
        return 1
    else:
        return 0
#textParse函数:接收一个大字符串并将其解析为字符串列表
def textParse(bigString):  # 将字符串转换为字符列表
    listOfTokens = re.split(r'\W*', bigString)  
#将特殊符号作为切分标志进行字符串切分，即非字母、非数字
    return [tok.lower() for tok in listOfTokens if len(tok) > 2] 
 # 除了单个字母，例如大写的I，其它单词变成小写
#spamTest函数:测试朴素贝叶斯分类器，使用朴素贝叶斯进行交叉验证
def spamTest():
    docList = []     #定义三个变量
    classList = []
    fullText = []
    for i in range(1, 26):  # 遍历25个txt文件
        wordList = textParse(open('email/spam/%d.txt' % i, 'r').read())  # 读取每个垃圾邮件，并字符串转换成字符串列表
        docList.append(wordList)
        fullText.append(wordList)
        classList.append(1)  # 标记垃圾邮件，1表示垃圾文件
        wordList = textParse(open('email/ham/%d.txt' % i, 'r').read())  # 读取每个非垃圾邮件，并字符串转换成字符串列表
        docList.append(wordList)
        fullText.append(wordList)
        classList.append(0)  # 标记正常邮件，0表示正常文件
    vocabList = createVocabList(docList)  # 创建词汇表，不重复
    trainingSet = list(range(50))
    testSet = []  # 创建存储训练集的索引值的列表和测试集的索引值的列表
    for i in range(10):  # 从50个邮件中，随机挑选出40个作为训练集,10个做测试集
        randIndex = int(random.uniform(0, len(trainingSet)))  # 随机选取索索引值
        testSet.append(trainingSet[randIndex])  # 添加测试集的索引值
        del (trainingSet[randIndex])  # 在训练集列表中删除添加到测试集的索引值
    trainMat = []
    trainClasses = []  # 创建训练集矩阵和训练集类别标签系向量
    for docIndex in trainingSet:  # 遍历训练集
        trainMat.append(setOfWords2Vec(vocabList, docList[docIndex]))  
# 将生成的词集模型添加到训练矩阵中
        trainClasses.append(classList[docIndex])  # 将类别添加到训练集类别标签系向量中
    p0V, p1V, pSpam = trainNB0(np.array(trainMat), np.array(trainClasses))  # 训练朴素贝叶斯模型
    errorCount = 0  # 错误分类计数
    for docIndex in testSet:  # 遍历测试集
        wordVector = setOfWords2Vec(vocabList, docList[docIndex])  # 测试集的词集模型
        if classifyNB(np.array(wordVector), p0V, p1V, pSpam) != classList[docIndex]:  # 如果分类错误
            errorCount += 1  # 错误计数加1
            print("分类错误的测试集：", docList[docIndex])
    print('错误率：%.2f%%' % (float(errorCount) / len(testSet) * 100))
if __name__ == '__main__':
    spamTest()

 在随书代码中，如下函数需要修改

#textParse函数:接收一个大字符串并将其解析为字符串列表
def textParse(bigString):  # 将字符串转换为字符列表
    listOfTokens = re.split(r'\W*', bigString)  
#将特殊符号作为切分标志进行字符串切分，即非字母、非数字
    return [tok.lower() for tok in listOfTokens if len(tok) > 2] 

 修改为

#textParse函数:接收一个大字符串并将其解析为字符串列表
def textParse(bigString):  # 将字符串转换为字符列表
    listOfTokens = re.split(r'\W+', bigString)  
#将特殊符号作为切分标志进行字符串切分，即非字母、非数字
    return [tok.lower() for tok in listOfTokens if len(tok) > 2] 

 不然分词不正常。

 另外，spamTest()函数中，文件读取也需要进行修改，修改如下:

    docList = []     #定义三个变量
    classList = []
    fullText = []
    for i in range(1, 26):  # 遍历25个txt文件
        wordList = textParse(open('email/spam/%d.txt' % i, 'r', encoding = 'UTF-8',errors='ignore').read())  # 读取每个垃圾邮件，并字符串转换成字符串列表
        docList.append(wordList)
        fullText.append(wordList)
        classList.append(1)  # 标记垃圾邮件，1表示垃圾文件
        wordList = textParse(open('email/ham/%d.txt' % i, 'r', encoding = 'UTF-8',errors='ignore').read())  # 读取每个非垃圾邮件，并字符串转换成字符串列表
        docList.append(wordList)
        fullText.append(wordList)
        classList.append(0)  # 标记正常邮件，0表示正常文件

 这样修改的目的是为了避免出现问题：

‘utf-8’ codec can’t decode byte 0x92 in position 64: invalid start byte

 这样，整体就完成了代码，在实践时，我们采用Jupyter，这样方便与机器进行交互。

 同时随书提供的email，在ham中

事前准备

 提前下载好email文件夹，以及bayes.ipynb,并且安装好Jupyter的运行环境。

 email整体架构如下：

注： 确保ham和spam文件夹下均存在25个txt文件，如果有缺失，可以拷贝一个文件。

注：ham表示正常邮件，spam邮件

邮件示例

正常邮件示例

垃圾邮件示例

 下面是一个关于求职的垃圾邮件。 chance， knocking at your door， 类似于天降好礼之类的。

代码解读

 首先该Python程序是面向过程的使用了主要是使用了numpy做矩阵运算，使用re模块做分词，使用random进行训练集和测试集的划分。划分采用了留出法（hold-out）参见周志华-机器学习，算法使用的是把50个样本随机划分为40个训练-10个测试，通过random保证随机。另外，整体算法采用了词袋模型（这仅仅强调了出现词和未出现词的差异）这在编码成词向量时使用，而词频主要是在计算概率时使用。

 核心关键流程或者入口从spamTest开始执行。spamTest相当于衣领，其他的函数，诸如createVocabList、setOfWords2Vec、bagOfWords2VecMN，都是为spamTest服务的。

spamTest整体流程

 代码通读之后，上述为各个步骤，我们需要详细的理解这个过程，就能完成整个代码的分析。上述代码为目的，而函数都是为了实现每个目的而实践的。函数可以有不同的实现方式，但目的只有一个。

数据准备

    docList = []     #定义三个变量
    classList = []
    fullText = []
    for i in range(1, 26):  # 遍历25个txt文件
        wordList = textParse(open('email/spam/%d.txt' % i, 'r', encoding = 'UTF-8',errors='ignore').read())  # 读取每个垃圾邮件，并字符串转换成字符串列表
        docList.append(wordList)
        fullText.append(wordList)
        classList.append(1)  # 标记垃圾邮件，1表示垃圾文件
        wordList = textParse(open('email/ham/%d.txt' % i, 'r', encoding = 'UTF-8',errors='ignore').read())  # 读取每个非垃圾邮件，并字符串转换成字符串列表
        docList.append(wordList)
        fullText.append(wordList)
        classList.append(0)  # 标记正常邮件，0表示正常文件

 观察一下结果即可，对于spam/1.txt中文件内容如下：

--- Codeine 15mg -- 30 for $203.70 -- VISA Only!!! --

-- Codeine (Methylmorphine) is a narcotic (opioid) pain reliever
-- We have 15mg & 30mg pills -- 30/15mg for $203.70 - 60/15mg for $385.80 - 90/15mg for $562.50 -- VISA Only!!! ---

 根据结果可以发现，

#textParse函数:接收一个大字符串并将其解析为字符串列表
def textParse(bigString):  # 将字符串转换为字符列表
    listOfTokens = re.split(r'\W+', bigString)
#将特殊符号作为切分标志进行字符串切分，即非字母、非数字
    return [tok.lower() for tok in listOfTokens if len(tok) > 2] 

 把长度<=2的字符串删除了，同时统一修改为小写了。使用特殊符号作为切分标志，$203.70切成了203。

注： fullText 不需要关注，因为之后的行文中没有使用这个。

创建词汇表

 这个词汇表是词袋模型的关键，使用了词汇表，把每一个文件中的内容转化成了词向量。

"""
函数说明:将切分的实验样本词条整理成不重复的词条列表，也就是词汇表
参数:
    dataSet - 整理的样本数据集
返回值:
    vocabSet - 返回不重复的词条列表，也就是词汇表
"""
def createVocabList(dataSet):
    vocabSet = set([])  # 创建一个空的不重复列表
    for document in dataSet:                #环取出数据集中的词条
        vocabSet = vocabSet | set(document)  # 取并集
    return list(vocabSet)                   #返回列表

 在spamTest中把docList作为参数传递给了createVocabList

切分训练和测试集

    trainingSet = list(range(50))
    testSet = []  # 创建存储训练集的索引值的列表和测试集的索引值的列表
    for i in range(10):  # 从50个邮件中，随机挑选出40个作为训练集,10个做测试集
        randIndex = int(random.uniform(0, len(trainingSet)))  # 随机选取索索引值
        testSet.append(trainingSet[randIndex])  # 添加测试集的索引值
        del (trainingSet[randIndex])  # 在训练集列表中删除添加到测试集的索引值

 这个过程是把[1,2…50]拆分成两部分，一部分为trainingSet，一部分testSet

准备模型训练数据

 这个过程，是利用之前准备的所有训练数据准备训练数据和标签。

注：上述也演示了np.array的用法，把Python的list结构转化为numpy中的array结构。

 这一过程中，整个流程是非常清楚的，唯一不清楚的是setOfWordsVec函数，但根据函数名和输出，也是比较明确的。

"""
函数说明:根据vocabList词汇表，将inputSet向量化，向量的每个元素为1或0
输入参数:
    vocabList - createVocabList返回的列表
    inputSet - 切分的词条列表
返回至:
    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:                          #遍历每个词条
        if word in vocabList:                      #如果词条存在于词汇表中，则置1
            returnVec[vocabList.index(word)] = 1
        else:
            print("the word: %s is not in my Vocabulary!" % word)
    return returnVec        #返回文档向量

 根据上述实现，首先构建了与词汇表相同的长度的list数据结构。虽然参数名为inputSet，但其实是一个List。

如果文档中的词存在词汇表中，则将returnVec中的位置置为1.此处的设计思想参见 词向量模型。是one-hot模型，但这里仅考虑出现与否。

训练

 这个步骤是最关键的。要深刻的理解，需要理解np.ones(numWords)的输出，以及结果。

np.ones(numWords)为688个1组成array

 而接下来，for循环一直在不停在p1Num和p0Num上累加每个文档的影响。

for i in range(numTrainDocs):      #循环处理
        if trainCategory[i] == 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)???
            p1Num += trainMatrix[i]
            p1Denom += sum(trainMatrix[i])
        else:  # 统计属于非侮辱类的条件概率所需的数据，即P(w0|0),P(w1|0),P(w2|0)???
            p0Num += trainMatrix[i]
            p0Denom += sum(trainMatrix[i])

 上述的代码中解释#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)???这个是比较关键的，理解了这个，这个算法也就理解了。 此处 朴素贝叶斯-B站

 这个步骤就可以得出了，

返回值:
    p0Vect - 正常邮件类的条件概率数组
    p1Vect - 垃圾邮件类的条件概率数组
    pAbusive - 文档属于垃圾邮件类的概率

测试

 在这个过程，主要是为了测试条件概率数组来计算后验概率

    errorCount = 0  # 错误分类计数
    for docIndex in testSet:  # 遍历测试集
        wordVector = setOfWords2Vec(vocabList, docList[docIndex])  # 测试集的词集模型
        if classifyNB(np.array(wordVector), p0V, p1V, pSpam) != classList[docIndex]:  # 如果分类错误
            errorCount += 1  # 错误计数加1
        print("分类错误的测试集：", docList[docIndex], "真实标签: ", classList[docIndex])
    print('错误率：%.2f%%' % (float(errorCount) / len(testSet) * 100))

 主要的流程也是比较清晰的，只是控制流程。关键在于classifyNB是怎么执行的：

"""
classifyNB函数:朴素贝叶斯分类器分类函数
输入参数:
	vec2Classify - 待分类的词条数组
	p0Vec - 正常邮件类的条件概率数组
	p1Vec - 垃圾邮件类的条件概率数组
	pClass1 - 文档属于垃圾邮件的概率
返回值:
	0 - 属于正常邮件类
	1 - 属于垃圾邮件类
"""
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
    #p1 = reduce(lambda x, y: x * y, vec2Classify * p1Vec) * pClass1  # 对应元素相乘
    #p0 = reduce(lambda x, y: x * y, vec2Classify * p0Vec) * (1.0 - pClass1) # 对应元素相乘
    p1=sum(vec2Classify*p1Vec)+np.log(pClass1)                 #求和
    p0=sum(vec2Classify*p0Vec)+np.log(1.0-pClass1)              #求和
    if p1 > p0:   #如果满足p1 > p0de 条件，返回1，否则返回0
        return 1
    else:
        return 0

 通过对p1和p0的计算，因为vec2Classify也已经向量化了，只有1和0两个值，这个对数防止下溢出也是可以实现的。

参考

朴素贝叶斯-垃圾邮件判断-加一平滑处理-详细解释，使用例子详细的给出了过程和含义。

朴素贝叶斯源码、数据集和notebook