学习朴素贝叶斯分类器

贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。

我们称之为“朴素”，是因为整个形式化过程只做最原始、最简单的假设。

关于贝叶斯更多，可以参考http://www.cnblogs.com/apachecnxy/p/7471634.html

使用朴素贝叶斯过滤垃圾邮件

源码如下（bayes.py）：

# coding: utf-8
"""
朴素贝叶斯-文本分类、过滤垃圾邮件 
"""
import numpy as np
import re
"""
创造实验样本
"""
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侮辱性文字, 0正常言论
    return postingList,classVec

"""
创建一个包含在所有文档中出现的不重复词的列表
"""
def createVocabList(dataSet):
    vocabSet = set([])  #create empty set
    for document in dataSet:
        vocabSet = vocabSet | set(document) #union of the two sets
    return list(vocabSet)

"""
输入： 词汇表及某个文档
输出： 文档向量，向量的每一元素为1或0，分别表示词汇表中的单词在输人文档中是否出现
"""
def setOfWords2Vec(vocabList, inputSet):
    returnVec = [0]*len(vocabList)   # 创建一个所含元素都为零的向量
    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

"""
朴素贝叶斯分类器训练函数
输入：trainMatrix 统计训练样本词条中单词是否在词汇表出现的文档0-1矩阵，
     trainCategory 由每篇文档类别标签所构成的向量，对这些样本词条人工标注的分类矩阵
输出：pAbusive这些词条属于攻击性言论的概率
"""
def trainNB0(trainMatrix, trainCategory):
    numTrainDocs = len(trainMatrix)
    numWords = len(trainMatrix[0])
    pAbusive = sum(trainCategory)/float(numTrainDocs)
    # p0Num为正常言论词个数   p1Num侮辱性文字词个数
    # np.ones生成所有值为1矩阵，例：np.ones(5)为array([ 1.,  1.,  1.,  1.,  1.])
    # 初始化概率
    p0Num = np.ones(numWords); p1Num = np.ones(numWords)      #change to ones()
    p0Denom = 2.0; p1Denom = 2.0                        #change to 2.0
    # 一旦某个词语 （侮辱性或正常词语）在某一文档中出现，则该词对应的个数（P1Nmn或者p0Num)就加1
    # 而且在所有的文档中，该文档的总词数也相应加1
    for i in range(numTrainDocs):
        if trainCategory[i] == 1:
            p1Num += trainMatrix[i]
            p1Denom += sum(trainMatrix[i])
        else:
            p0Num += trainMatrix[i]
            p0Denom += sum(trainMatrix[i])
    # p1Vect词汇表中单词属于攻击性质的概率
    # 对每个元素除以该类别中的总词数
    # 想求函数的最大值时，可以使用该函数的自然对数来替换原函数进行求解
    p1Vect = np.log(p1Num/p1Denom)          #change to log()
    p0Vect = np.log(p0Num/p0Denom)          #change to log()
    # pAbusive这些词条属于攻击性言论的概率
    return p0Vect,p1Vect,pAbusive

"""
分类器
输入：vec2Classify 要分类的向量，
     p0Vec, p1Vec, pClass1 使用函数trainNB0得到的三个概率
输出：1攻击性言论 | 0正常言论
"""
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
    p1 = sum(vec2Classify * p1Vec) + np.log(pClass1)    #element-wise mult计算向量相乘结果
    # 这里的相乘是指对应元素相乘，即先将两个向量中的第1个元素相乘，然后将第2个元素相乘，以此类推。接下来将词汇表
    # 所有词的对应值相加，然后将该值加到类别的对数概率上。最后，比较类别的概率返回大概率对应的类别标签。
    p0 = sum(vec2Classify * p0Vec) + np.log(1.0 - pClass1)
    if p1 > p0:
        return 1
    else:
        return 0

"""
便利函数，封装所有操作，以节省输入代码的时间
"""
def testingNB():
    listOPosts,listClasses = loadDataSet()
    myVocabList = createVocabList(listOPosts)
    #print myVocabList  # 词汇表
    #print listOPosts[0]  # 词汇表第一组数据
    #print setOfWords2Vec(myVocabList, listOPosts[0])  # 词汇表myVocabList中的单词在输人文档listOPosts[0]中是否出现
    # for循环使用词向量来填充trainMat ，将文本转换为数字矩阵
    trainMat=[]
    for postinDoc in listOPosts:
        trainMat.append(setOfWords2Vec(myVocabList, postinDoc))
    # print trainMat
    # 朴素贝叶斯分类器训练函数
    p0V,p1V,pAb = trainNB0(np.array(trainMat),np.array(listClasses))
    # print p0V
    # print plV
    # print pAb # 任意文档属于侮辱性文档的概率 0.5
    testEntry = ['love', 'my', 'dalmation']
    thisDoc = np.array(setOfWords2Vec(myVocabList, testEntry))
    print testEntry,'classified as: ',classifyNB(thisDoc,p0V,p1V,pAb)
    testEntry = ['stupid', 'garbage']
    thisDoc = np.array(setOfWords2Vec(myVocabList, testEntry))
    print testEntry,'classified as: ',classifyNB(thisDoc,p0V,p1V,pAb)

"""
朴素贝叶斯词袋模型
如果一个词在文档中出现不止一次，这可能意味着包含该词是否出现在文档中所不能表达的某种信息，这种方法被称为词袋模型
在词袋中，每个单词可以出现多次 ，而在词集中，每个词只能出现一次
"""
def bagOfWords2VecMN(vocabList, inputSet):
    returnVec = [0]*len(vocabList)
    for word in inputSet:
        if word in vocabList:
            returnVec[vocabList.index(word)] += 1
    return returnVec

"""
接受一个大字符串并将其解析为字符串列表。
该函数去掉少于两个字符的字符串，并将所有字符串转换为小写。
"""
def textParse(bigString):    #input is big string, #output is word list
    listOfTokens = re.split(r'\W*', bigString)
    return [tok.lower() for tok in listOfTokens if len(tok) > 2]

"""
对贝叶斯垃圾邮件分类器进行自动化处理
导人文件夹email/spam（垃圾邮件）与ham（正常邮件）下的文本文件
"""
def spamTest():
    docList=[]; classList = []; fullText =[]
    # 导入并解析文件
    for i in range(1,26):
        wordList = textParse(open('email/spam/%d.txt' % i).read())
        docList.append(wordList)
        fullText.extend(wordList)
        classList.append(1)
        wordList = textParse(open('email/ham/%d.txt' % i).read())
        docList.append(wordList)
        fullText.extend(wordList)
        classList.append(0)
    vocabList = createVocabList(docList)#create vocabulary
    trainingSet = range(50); testSet=[]           #create test set
    # 随机构建训练集
    for i in range(10):
        randIndex = int(np.random.uniform(0,len(trainingSet)))
        testSet.append(trainingSet[randIndex])
        del(trainingSet[randIndex])
    trainMat=[]; trainClasses = []
    for docIndex in trainingSet:#train the classifier (get probs) trainNB0
        trainMat.append(bagOfWords2VecMN(vocabList, docList[docIndex]))
        trainClasses.append(classList[docIndex])
    p0V,p1V,pSpam = trainNB0(np.array(trainMat), np.array(trainClasses))
    errorCount = 0
    # 对测试集分类
    for docIndex in testSet:        #classify the remaining items
        wordVector = bagOfWords2VecMN(vocabList, docList[docIndex])
        if classifyNB(np.array(wordVector),p0V,p1V,pSpam) != classList[docIndex]:
            errorCount += 1
            print "classification error",docList[docIndex]
    print 'the error rate is: ',float(errorCount)/len(testSet)
    # return vocabList,fullText

if __name__ == '__main__':
    testingNB()  #测试朴素贝叶斯文本分类
    # 使用朴素贝叶斯过滤垃圾邮件
    spamTest()