机器学习基础-11.朴素贝叶斯

 

一、朴素贝叶斯

KNN分类算法和决策树分类算法预测出一个确定的数值，但是，有时候分类器会产生错误结果；朴素贝叶斯分类算法则是给出一个最优的猜测结果，同时给出猜测的概率估计值。

 

我们现在用 p1(x,y) 表示数据点 (x,y) 属于类别 1（图中用圆点表示的类别）的概率，用 p2(x,y) 表示数据点 (x,y) 属于类别 2（图中三角形表示的类别）的概率，那么对于一个新数据点 (x,y)，可以用下面的规则来判断它的类别：

    如果 p1(x,y) > p2(x,y) ，那么类别为1

    如果 p2(x,y) > p1(x,y) ，那么类别为2

也就是说，我们会选择高概率对应的类别。这就是贝叶斯决策理论的核心思想，即选择具有最高概率的决策。

1.使用条件概率进行分类

首先给出条件概率公式：P(A|B)=P(A,B)/P(B)=P(B|A)*P(A)/P(B) 。

贝叶斯决策理论要求计算两个概率 p1(x, y) 和 p2(x, y)：

 

    如果 p1(x, y) > p2(x, y), 那么属于类别 1

    如果 p2(x, y) > p1(x, y), 那么属于类别 2

这并不是贝叶斯决策理论的所有内容。使用 p1() 和 p2() 只是为了尽可能简化描述，而真正需要计算和比较的是 p(c1|x, y) 和 p(c2|x, y)。这些符号所代表的具体意义是: 给定某个由 x、y 表示的数据点，那么该数据点来自类别 c1 的概率是多少？数据点来自类别 c2 的概率又是多少？注意这些概率与概率 p(x, y|c1) 并不一样，不过可以使用贝叶斯准则来交换概率中条件与结果。具体地，应用贝叶斯准则得到:

使用上面这些定义，可以定义贝叶斯分类准则为:

    如果 P(c1|x, y) > P(c2|x, y), 那么属于类别 c1;

    如果 P(c2|x, y) > P(c1|x, y), 那么属于类别 c2.

朴素贝叶斯的一个重要应用就是文档的自动分类。在文档分类中，整个文档（如一封电子邮件）是实例，而电子邮件中的某些元素则构成特征。我们可以观察文档中出现的词，并把每个词作为一个特征，而每个词的出现或者不出现作为该特征的值，这样得到的特征数目就会跟词汇表中的词的数目一样多。

我们假设特征之间 相互独立 。所谓 独立(independence) 指的是统计意义上的独立，即一个特征或者单词出现的可能性与它和其他单词相邻没有关系，比如说，“我们”中的“我”和“们”出现的概率与这两个字相邻没有任何关系。这个假设正是朴素贝叶斯分类器中 朴素(naive) 一词的含义。朴素贝叶斯分类器中的另一个假设是，每个特征同等重要。（而实际上这是不成立的，因为“我”和“们”一起出现的概率和“我”和“贝”出现概率是不一样，这涉及到自然语言处理的内容，将会在后续更新）。

朴素贝叶斯分类器通常有两种实现方式: 一种基于伯努利模型实现，一种基于多项式模型实现。这里采用前一种实现方式。该实现方式中并不考虑词在文档中出现的次数，只考虑出不出现，因此在这个意义上相当于假设词是等权重的。

二、文档分类

下面根据机器实战一书中的例子，将文档分为侮辱性文本和非侮辱性文本。

1.实现思路

提取所有文档中的词条并进行去重
获取文档的所有类别
计算每个类别中的文档数目
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（for循环或者矩阵相加）
        增加所有词条的计数值（此类别下词条总数）
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的条件概率（P(词条|类别)）

返回该文档属于每个类别的条件概率（P(类别|文档的所有词条)）

2.代码实现

1）准备数据

from numpy import *
import numpy as np
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
                 
def createVocabList(dataSet):
    vocabSet = set([])  #create empty set
    for document in dataSet:
        vocabSet = vocabSet | set(document) #union of the two sets
    return list(vocabSet)

def setOfWords2Vec(vocabList, inputSet):
    returnVec = [0]*len(vocabList)
    for word in inputSet:
        if word in vocabList:
            returnVec[vocabList.index(word)] = 1
        else: print("the word: %s is not in my Vocabulary!" % word)
    return returnVec

代码解释：loadDataSet创建了6篇文档，并给每个文档设定好classvec，即所属的类别标签，1代表侮辱性文档，0代表非侮辱性文档。createVocabList将loadDataSet创建的文档传入，并生成一个字典，这个字典包含所有文档中出现的词汇，并且是不重复的。setOfWords2Vec将文档进行编码，传入的是字典和某个文档，如果该文档中的词在字典中存在就标记为“1”，不存在就标记为“0”，这就得到一篇文档的词向量。【由于wordlist是list，为了展示方便，我将其转换为矩阵形式】

2）从词向量计算概率

重写贝叶斯公式。

首先可以通过类别 i (侮辱性文档或者非侮辱性文档)中文档数除以总的文档数来计算概率 p(ci)，即每种类别文章占总文章的比重 。接下来计算 p(w|ci) ，这里就要用到朴素贝叶斯假设。w为每篇文档的单词集合，如果将 w 展开为一个个独立特征，那么就可以将上述概率写作 p(w0, w1, w2...wn | ci) 。这里假设所有词都互相独立，该假设也称作条件独立性假设，它意味着可以使用 p(w0|ci)p(w1|ci)p(w2|ci)...p(wn|ci) 来计算上述概率，这样就极大地简化了计算的过程。 p(w) 代表着每个词出现的概率乘积，因为这里假设所有词都是独立同分布的，所以p(w) =p(w0)p(w1)p(w2)...p(wn) 。现在编写代码计算上面的概率值，对文章进行训练。

def _trainNB0(trainMatrix, trainCategory): 
    numTrainDocs = len(trainMatrix) #文档的总数
    numWords = len(trainMatrix[0])  #单词的总数，每一个文档的词向量长度都等于字典的长度
    pAbusive = sum(trainCategory)/float(numTrainDocs) # 侮辱性文档出现概率，与文档的总数相除就得到了侮辱性文件的出现概率,即p(c1)
    p0Num = zeros(numWords) # [0,0,0,.....]   # 构造非侮辱性文档中单词出现次数列表，列表长度和字典长度一致
    p1Num = zeros(numWords) # [0,0,0,.....]   # 构造侮辱性文档中单词出现次数列表，列表长度和字典长度一致

    p0Denom = 0.0 #记录非侮辱性文档的单词总数
    p1Denom = 0.0 #记录侮辱性文档的单词总数
    for i in range(numTrainDocs):
        if trainCategory[i] == 1:     #遍历所有文档
            # 如果是侮辱性文档，对侮辱性文档的向量进行加和
            p1Num += trainMatrix[i]   #[0,1,1,....] + [0,1,1,....]->[0,2,2,...]
            # 对向量中的所有元素进行求和，也就是计算所有侮辱性文档中出现的单词总数
            p1Denom += sum(trainMatrix[i])
        else: #如果是非侮辱性文档，则执行如下，逻辑和上面一样
            p0Num += trainMatrix[i]
            p0Denom += sum(trainMatrix[i])
    p1Vect = p1Num / p1Denom  # [1,2,3,5]/90->[1/90,...] # 在侮辱性类别下，每个单词出现的概率，即p(wi|c1)
    p0Vect = p0Num / p0Denom  # 在非侮辱性类别下，每个单词出现的概率，即p(wi|c0)
    return p0Vect, p1Vect, pAbusive

代码解释：传入所有的训练文档和分类标签，这里的训练文档已经经过setOfWords2Vec进行向量化处理，生成01格式的内容。接着得到p(c1)，即侮辱性文档的概率，由于这里是二分类问题，通过1-p(c1)就能得到非侮辱性文档的概率。接着构造2个词列表，p0Num代表着非侮辱性文档中出现的词，p1Num代表着侮辱性文档中出现的词，这是用来计算p(wi|ci)的，整个逻辑比较简单。

listOPosts,listClasses = loadDataSet()
myVocabList = createVocabList(listOPosts)
trainMat=[]
for postinDoc in listOPosts:
    trainMat.append(setOfWords2Vec(myVocabList, postinDoc))
p0V,p1V,pAb=trainNB0(trainMat,listClasses)
p0V #同理可以查看p1V和pAb的结果

 

现在已经完成了样本的训练，可以使用计算得到的数据，对新的样本进行分类。但是上面的代码存在着缺陷，因为在构建朴素贝叶斯分类器时，需要对p(w0|ci)p(w1|ci)p(w2|ci)...p(wn|ci) 进行计算，而多个小于1的值计算容易出现越界异常，所以将其修改为log形式，取2为底。

 

def trainNB0(trainMatrix,trainCategory): 
    numTrainDocs = len(trainMatrix) 
    numWords = len(trainMatrix[0])  
    pAbusive = sum(trainCategory)/float(numTrainDocs)   
    p0Num = ones(numWords); p1Num = ones(numWords)      #生成全1矩阵，因为0无法进行log计算
    p0Denom = 2.0; p1Denom = 2.0                        #change to 2.0
    for i in range(numTrainDocs): #遍历所有的文档
        if trainCategory[i] == 1: #如果是侮辱性文档，就
            p1Num += trainMatrix[i]
            p1Denom += sum(trainMatrix[i])
        else:
            p0Num += trainMatrix[i]
            p0Denom += sum(trainMatrix[i])
    p1Vect = log(p1Num/p1Denom)          #change to log()
    p0Vect = log(p0Num/p0Denom)          #change to log()
    return p0Vect,p1Vect,pAbusive

3）构建分类器

def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
    p1 = sum(vec2Classify * p1Vec) + log(pClass1)   
    p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1)
    if p1 > p0:
        return 1
    else: 
        return 0

def testingNB():
    listOPosts,listClasses = loadDataSet()
    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'] #输入样本
    thisDoc = array(setOfWords2Vec(myVocabList, testEntry))
    print (testEntry,'classified as: ',classifyNB(thisDoc,p0V,p1V,pAb))
    testEntry = ['stupid', 'garbage'] #输入样本
    thisDoc = array(setOfWords2Vec(myVocabList, testEntry))
    print (testEntry,'classified as: ',classifyNB(thisDoc,p0V,p1V,pAb))

这里将之前的训练过程进行封装，并用classifyNB进行分类，该函数传入4个参数，分别是待分类的样本，训练得到的3个概率值。这里再次给出朴素贝叶斯的公式。classifyNB将待分类文档的词汇进行计算，得出词汇在侮辱性文档和非侮辱性文档中出现的概率，最终比较哪个计算的概率大就确定为哪个类别。这里需要注意的是，p(w)并没有进行计算，这是因为p(w)表示的是该文档出现的概率，在朴素贝叶斯中，假设所有文档出现的概率是相同的。

至此朴素贝叶斯的分类器就构建完毕，需要注意的是这里使用的是词集模型，即只考虑单词是否出现，而不考虑单词出现的次数，考虑单词出现次数的模型叫做词袋模型。代码如下，唯一和setOfWords2Vec不同的地方就是，这里遍历某个文档词时，会将词出现的次数统计出来，而setOfWords2Vec只统计是否存在。

def bagOfWords2VecMN(vocabList, inputSet):
    returnVec = [0]*len(vocabList)
    for word in inputSet:
        if word in vocabList:
            returnVec[vocabList.index(word)] += 1
    return returnVec

三、使用朴素贝叶斯进行垃圾邮件过滤

参考：https://www.cnblogs.com/zy230530/p/6847243.html

收集数据: 提供文本文件
准备数据: 将文本文件解析成词条向量
分析数据: 检查词条确保解析的正确性
训练算法: 使用我们之前建立的 trainNB() 函数
测试算法: 使用朴素贝叶斯进行交叉验证

使用算法: 构建一个完整的程序对一组文档进行分类，将错分的文档输出到屏幕上

def testParse(bigString):
    import re
    listOfTokens=re.split(r'\W*',bigString)
    return [tok.lower() for tok in listOPosts if len(tok)>2]

def spamTest():
    #新建三个列表
    docList=[];classList=[];fullTest=[]
    #i 由1到25
    for i in range(1,26):
        #打开并读取指定目录下的本文中的长字符串，并进行处理返回
        wordList=testParse(open('email/spam/%d.txt' %i).read()) 
        #将得到的字符串列表添加到docList
        docList.append(wordList)
        #将字符串列表中的元素添加到fullTest
        fullTest.extend(wordList)
        #类列表添加标签1
        classList.append(1)
        #打开并取得另外一个类别为0的文件，然后进行处理
        wordList=testParse(open('email/ham/&d.txt' %i).read())
        docList.append(wordList)
        fullTest.extend(wordList)
        classList.append(0)
    #将所有邮件中出现的字符串构建成字符串列表
    vocabList=createVocabList(docList)
    #构建一个大小为50的整数列表和一个空列表
    trainingSet=range(50);testSet=[]
    #随机选取1~50中的10个数，作为索引，构建测试集
    for i in range(10):
        #随机选取1~50中的一个整型数
        randIndex=int(random.uniform(0,len(trainingSet)))
        #将选出的数的列表索引值添加到testSet列表中
        testSet.append(trainingSet[randIndex])
        #从整数列表中删除选出的数，防止下次再次选出
        #同时将剩下的作为训练集
        del(trainingSet[randIndex])
    #新建两个列表
    trainMat=[];trainClasses=[]
    #遍历训练集中的每个字符串列表
    for docIndex in trainingSet:
        #将字符串列表转为词条向量，然后添加到训练矩阵中
        trainMat.append(setOfWords2Vec(vocabList,fullTest[docIndex]))
        #将该邮件的类标签存入训练类标签列表中
        trainClasses.append(classList[docIndex])
    #计算贝叶斯函数需要的概率值并返回
    p0V,p1V,pSpam=trainNB0(array(trainMat),array(trainClasses))
    errorCount=0
    #遍历测试集中的字符串列表
    for docIndex in testSet:
        #同样将测试集中的字符串列表转为词条向量
        wordVector=setOfWords2Vec(vocabList,docList[docIndex])
        #对测试集中字符串向量进行预测分类，分类结果不等于实际结果
        if classifyNB(array(wordVector),p0V,p1V,pSpam) != classList[docIndex]:
            errorCount += 1
            print ("classification error",docList[docIndex])
        print('the error rate is:',float(errorCount)/len(testSet))

运行时候，可能会发现编码错误的问题，这是因为有的邮件中有某个字符不能被解析，所以可以通过简单print(i)来定位具体是哪个邮件出现问题，删除某个特殊字符即可解决问题。

尽管朴素贝叶斯的条件独立性假设存在一定的问题，但是朴素贝叶斯算法仍然能取得比较理想的分类预测结果。此外，朴素贝叶斯在数据较少的情况下仍然适用，虽然例子中为两类类别的分析，但是朴素贝叶斯可以处理多分类的情况；朴素贝叶斯的一个不足的地方是，对输入的数据有一定的要求，需要花费一定的时间进行数据的处理和解析。朴素贝叶斯中用来计算的数据为标称型数据，我们需要将字符串特征转化为相应的离散值，用于后续的统计和计算。

四、文章分类

1.DataConvert.py

思想：将文章路径输入，获取到每个文章的名称，再通过文章的名称获得标签，为了方便后续处理，将每个文本都进行了编码，每个词语都会对应一个固定的数字。

import sys
import os
import random

WordList = [] #存放所有的词语
WordIDDic = {}#存放所有词语所属于的标签
TrainingPercent = 0.8#剩下的0.2用做测试

inpath = sys.argv[1]
OutFileName = sys.argv[2]
trainOutFile = file(OutFileName+".train", "w")#将转换好的训练文本输出
testOutFile = file(OutFileName+".test", "w")#将转换好的测试文本输出

def ConvertData():
    i = 0
    tag = 0#每个文章类型对应一个值
    for filename in os.listdir(inpath):# os.listdir(inpath)是一个list
        if filename.find("business") != -1:
            tag = 1
        elif filename.find("auto") != -1:
            tag = 2
        elif filename.find("sport") != -1:
            tag = 3
        i += 1
        rd = random.random()#产生0-1的随机数
        outfile = testOutFile
        if rd < TrainingPercent:
            outfile = trainOutFile
        if i % 100 == 0:
            print i,"files processed!\r",

        infile = file(inpath+'/'+filename, 'r')#将每个文章开始读入
        outfile.write(str(tag)+" ")#先将标签和一个空格写入
        content = infile.read().strip()#将所有内容读入
        content = content.decode("utf-8", 'ignore')#将内容进行编码
        words = content.replace('\n', ' ').split(' ')#将回车符号换成空格，再将每个词的编码取出
        for word in words:
            if len(word.strip()) < 1:
                continue
            if word not in WordIDDic:
                WordList.append(word)
                WordIDDic[word] = len(WordList)
            outfile.write(str(WordIDDic[word])+" ")
        outfile.write("#"+filename+"\n")#最后把文章名字也写进去
        infile.close()

    print i, "files loaded!"
    print len(WordList), "unique words found!"

ConvertData()
trainOutFile.close()
testOutFile.close()

2.NB.py

#Usage:
#Training: NB.py 1 TrainingDataFile ModelFile
#Testing: NB.py 0 TestDataFile ModelFile OutFile

import sys
import os
import math

DefaultFreq = 0.1
TrainingDataFile = "nb_data.train"
ModelFile = "nb_data.model"
TestDataFile = "nb_data.test"
TestOutFile = "nb_data.out"
ClassFeaDic = {}
ClassFreq = {}
WordDic = {}
ClassFeaProb = {}
ClassDefaultProb = {}
ClassProb = {}

def Dedup(items):
    tempDic = {}
    for item in items:
        if item not in tempDic:
            tempDic[item] = True
    return tempDic.keys()

def LoadData():
    i =0
    infile = file(TrainingDataFile, 'r')
    sline = infile.readline().strip()
    while len(sline) > 0:
        pos = sline.find("#")
        if pos > 0:
            sline = sline[:pos].strip()
        words = sline.split(' ')
        if len(words) < 1:
            print "Format error!"
            break
        classid = int(words[0])
        if classid not in ClassFeaDic:
            ClassFeaDic[classid] = {}
            ClassFeaProb[classid] = {}
            ClassFreq[classid]  = 0
        ClassFreq[classid] += 1
        words = words[1:]
        #remove duplicate words, binary distribution
        #words = Dedup(words)
        for word in words:
            if len(word) < 1:
                continue
            wid = int(word)
            if wid not in WordDic:
                WordDic[wid] = 1
            if wid not in ClassFeaDic[classid]:
                ClassFeaDic[classid][wid] = 1
            else:
                ClassFeaDic[classid][wid] += 1
        i += 1
        sline = infile.readline().strip()
    infile.close()
    print i, "instances loaded!"
    print len(ClassFreq), "classes!", len(WordDic), "words!"

def ComputeModel():
    sum = 0.0
    for freq in ClassFreq.values():
        sum += freq
    for classid in ClassFreq.keys():
        ClassProb[classid] = (float)(ClassFreq[classid])/(float)(sum)
    for classid in ClassFeaDic.keys():
        #Multinomial Distribution
        sum = 0.0
        for wid in ClassFeaDic[classid].keys():
            sum += ClassFeaDic[classid][wid]
        newsum = (float)(sum+len(WordDic)*DefaultFreq)
        #Binary Distribution
        #newsum = (float)(ClassFreq[classid]+2*DefaultFreq)
        for wid in ClassFeaDic[classid].keys():
            ClassFeaProb[classid][wid] = (float)(ClassFeaDic[classid][wid]+DefaultFreq)/newsum
        ClassDefaultProb[classid] = (float)(DefaultFreq) / newsum
    return

def SaveModel():
    outfile = file(ModelFile, 'w')
    for classid in ClassFreq.keys():
        outfile.write(str(classid))
        outfile.write(' ')
        outfile.write(str(ClassProb[classid]))
        outfile.write(' ')
        outfile.write(str(ClassDefaultProb[classid]))
        outfile.write(' ' )
    outfile.write('\n')
    for classid in ClassFeaDic.keys():
        for wid in ClassFeaDic[classid].keys():
            outfile.write(str(wid)+' '+str(ClassFeaProb[classid][wid]))
            outfile.write(' ')
        outfile.write('\n')
    outfile.close()

def LoadModel():
    global WordDic
    WordDic = {}
    global ClassFeaProb
    ClassFeaProb = {}
    global ClassDefaultProb
    ClassDefaultProb = {}
    global ClassProb
    ClassProb = {}
    infile = file(ModelFile, 'r')
    sline = infile.readline().strip()
    items = sline.split(' ')
    if len(items) < 6:
        print "Model format error!"
        return
    i = 0
    while i < len(items):
        classid = int(items[i])
        ClassFeaProb[classid] = {}
        i += 1
        if i >= len(items):
            print "Model format error!" 
            return
        ClassProb[classid] = float(items[i])
        i += 1
        if i >= len(items):
            print "Model format error!" 
            return
        ClassDefaultProb[classid] = float(items[i])
        i += 1
    for classid in ClassProb.keys():
        sline = infile.readline().strip()
        items = sline.split(' ')
        i = 0
        while i < len(items):
            wid  = int(items[i])
            if wid not in WordDic:
                WordDic[wid] = 1
            i += 1
            if i >= len(items):
                print "Model format error!"
                return
            ClassFeaProb[classid][wid] = float(items[i])
            i += 1
    infile.close()
    print len(ClassProb), "classes!", len(WordDic), "words!"

def Predict():
    global WordDic
    global ClassFeaProb
    global ClassDefaultProb
    global ClassProb

    TrueLabelList = []
    PredLabelList = []
    i =0
    infile = file(TestDataFile, 'r')
    outfile = file(TestOutFile, 'w')
    sline = infile.readline().strip()
    scoreDic = {}
    iline = 0
    while len(sline) > 0:
        iline += 1
        if iline % 10 == 0:
            print iline," lines finished!\r",
        pos = sline.find("#")
        if pos > 0:
            sline = sline[:pos].strip()
        words = sline.split(' ')
        if len(words) < 1:
            print "Format error!"
            break
        classid = int(words[0])
        TrueLabelList.append(classid)
        words = words[1:]
        #remove duplicate words, binary distribution
        #words = Dedup(words)
        for classid in ClassProb.keys():
            scoreDic[classid] = math.log(ClassProb[classid])
        for word in words:
            if len(word) < 1:
                continue
            wid = int(word)
            if wid not in WordDic:
                #print "OOV word:",wid
                continue
            for classid in ClassProb.keys():
                if wid not in ClassFeaProb[classid]:
                    scoreDic[classid] += math.log(ClassDefaultProb[classid])
                else:
                    scoreDic[classid] += math.log(ClassFeaProb[classid][wid])
        #binary distribution
        #wid = 1
        #while wid < len(WordDic)+1:
        #   if str(wid) in words:
        #       wid += 1
        #       continue
        #   for classid in ClassProb.keys():
        #       if wid not in ClassFeaProb[classid]:
        #           scoreDic[classid] += math.log(1-ClassDefaultProb[classid])
        #       else:
        #           scoreDic[classid] += math.log(1-ClassFeaProb[classid][wid])
        #   wid += 1
        i += 1
        maxProb = max(scoreDic.values())
        for classid in scoreDic.keys():
            if scoreDic[classid] == maxProb:
                PredLabelList.append(classid)
        sline = infile.readline().strip()
    infile.close()
    outfile.close()
    print len(PredLabelList),len(TrueLabelList)
    return TrueLabelList,PredLabelList

def Evaluate(TrueList, PredList):
    accuracy = 0
    i = 0
    while i < len(TrueList):
        if TrueList[i] == PredList[i]:
            accuracy += 1
        i += 1
    accuracy = (float)(accuracy)/(float)(len(TrueList))
    print "Accuracy:",accuracy

def CalPreRec(TrueList,PredList,classid):
    correctNum = 0
    allNum = 0
    predNum = 0
    i = 0
    while i < len(TrueList):
        if TrueList[i] == classid:
            allNum += 1
            if PredList[i] == TrueList[i]:
                correctNum += 1
        if PredList[i] == classid:
            predNum += 1
        i += 1
    return (float)(correctNum)/(float)(predNum),(float)(correctNum)/(float)(allNum)

#main framework
if len(sys.argv) < 4:
    print "Usage incorrect!"
elif sys.argv[1] == '1':
    print "start training:"
    TrainingDataFile = sys.argv[2]
    ModelFile = sys.argv[3]
    LoadData()
    ComputeModel()
    SaveModel()
elif sys.argv[1] == '0':
    print "start testing:"
    TestDataFile = sys.argv[2]
    ModelFile = sys.argv[3]
    TestOutFile = sys.argv[4]
    LoadModel()
    TList,PList = Predict()
    i = 0
    outfile = file(TestOutFile, 'w')
    while i < len(TList):
        outfile.write(str(TList[i]))
        outfile.write(' ')
        outfile.write(str(PList[i]))
        outfile.write('\n')
        i += 1
    outfile.close()
    Evaluate(TList,PList)
    for classid in ClassProb.keys():
        pre,rec = CalPreRec(TList, PList,classid)
        print "Precision and recall for Class",classid,":",pre,rec
else:
print "Usage incorrect!"

3.run.sh

python DataConvert.py data/ nb_data

# train
python NB.py 1 nb_data.train model

# test
python NB.py 0 nb_data.test model out