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