机器学习实战第4章-朴素贝叶斯（bayes）

一、贝叶斯：

D:训练数据
H:假设空间
h:假设
P(h):假设 h的先验概率 的先验概率 (Prior Probability)
即没有训练数据前假设拥有的初始概率
P(D):训练数据的先验概率
即在没有确定某一假设成立时的概率
p(D|h):似然度,在假设 h成立的情况下,观察到D的概率
p(h|D):后验概率,给定训练数据D时h成立的概率

后验概率正比于P(h)和P(D|h)
 反比于P(D)
 D独立于 h出现的概率越大，则出现的概率越大,则D对h的支持度越小
 贝叶斯公式是学习的基础，它提供了根据先验概率 P(h)、P(D)以及观察概率 P(D|h) ，计算后验概率 P(h|D)的

二、朴素贝叶斯：

概念：对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。
独立性假设：假设所有特征都是相互独立的。

三、常见问题：

1、0概率：m-估计（因为假设是每个概率是独立的，如果某一项为0会导致乘积为0，所以默认加上一个数值）
2、极小概率：取对数
平滑技术（m-估计）：当样本的新属性值出现时，为了防止后验概率为0，需要对其先验概率做M估计（M-Estimate）

机器学习实战主要代码加注释：

from numpy import *
import feedparser
import operator
#生成一个数据集和标签
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 代表是 侮辱性文字, 0 不是
    return postingList,classVec
#生成词汇表，返回去重后的单词列表
def createVocabList(dataSet):
    vocabSet = set([])  #create empty set
    for document in dataSet:
        vocabSet = vocabSet | set(document) #union of the two sets
    return list(vocabSet)
#输入词汇表和文档，输出文档向量（跟词汇表一一对应），词汇出现就设置为1
def setOfWords2Vec(vocabList, inputSet):
    returnVec = [0]*len(vocabList)
    #每一次输入文档里的单词，看它在不在词汇表，在的话就在输出向量对应位置设置为1；不在输出他不在
    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
#输入词汇表和文档，输出文档向量（跟词汇表一一对应），词汇出现就+1
def bagOfWords2VecMN(vocabList, inputSet):
    returnVec = [0]*len(vocabList)
    for word in inputSet:
        if word in vocabList:
            returnVec[vocabList.index(word)] += 1
    return returnVec

#朴素贝叶斯训练分类器计算p0Vect,p1Vect,pAbusive
def trainNB0(trainMatrix,trainCategory):
    #获取矩阵里元素数目，词汇组数
    numTrainDocs=len(trainMatrix)
    #获取矩阵里第一个列表元素里的词汇个数
    numWords=len(trainMatrix[0])
    #计算侮辱性文字的概率，trainCategory列表里元素和是侮辱性文字总组数
    pAbusive=sum(trainCategory)/float(numTrainDocs)
    #生成元素个数与列表内元素相同的1矩阵；分子设置为1，分母为2防止概率相乘时候出现0使最后乘积也为0
    p0Num=ones(numWords)
    p1Num=ones(numWords)
    p0Denom=2.0
    p1Denom=2.0
    #遍历矩阵里每个列表元素（每组词汇）
    for i in range(numTrainDocs):
        #只要出现词汇表里的词就把对应分类里的词汇+1，计算所有元素的和
        if trainCategory[i]==1:
            p1Num+=trainMatrix[i]
            p1Denom+=sum(trainMatrix[i])
        else:
            p0Num+=trainMatrix[i]
            p0Denom+=sum(trainMatrix[i])
    #求出概率 求对数避免乘法时候下溢 log（ab）=loga+logb
    # p1Vect=p1Num/p1Denom
    # p0Vect=p0Num/p0Denom
    p1Vect=log(p1Num/p1Denom)
    p0Vect=log(p0Num/p0Denom)
    return p0Vect,p1Vect,pAbusive
#朴素贝叶斯分类函数
#vec2Classify为要分类的向量,pClass1为侮辱性文字的概率
def classifyNB(vec2Classify,p0Vec,p1Vec,pClass1):
    #元素相乘（对应位置相乘）
    p1=sum(vec2Classify*p1Vec)+log(pClass1)
    p0=sum(vec2Classify*p0Vec)+log(1.0-pClass1)
    if p1>p0:
        return 1
    else:
        return 0
def testingNB():
    #拿到数据集（几个列表，每个列表里有若干单词）和分类信息
    listOPsts,listClasses=loadDataSet()
    #把数据集里的单词去重生成一个词汇表
    myVocabList=createVocabList(listOPsts)
    #生成文档矩阵，矩阵中每个元素是个列表
    trainMat=[]
    # 用每组输入文档转化成的词向量填充trainMat数组
    for postingDoc in listOPsts:
        trainMat.append(setOfWords2Vec(myVocabList,postingDoc))
    #生成侮辱性文字概率，词汇表中每个（非）侮辱性词汇在总（非）侮辱性词汇里出现概率
    p0V,p1V,pAb=trainNB0(array(trainMat),array(listClasses))
    testEntry=['love','my','dalmation']
    #testEntry里的词汇在不在词汇表里，生成一个文档向量
    thisDoc=array(setOfWords2Vec(myVocabList,testEntry))
    print(testEntry,'classified as:',classifyNB(thisDoc,p0V,p1V,pAb))
    testEntry=['stupid','garbage']
    thisDoc=array(setOfWords2Vec(myVocabList,testEntry))
    print(testEntry,'classified as:',classifyNB(thisDoc,p0V,p1V,pAb))
#4.6
# 文本解析
def textParse(bigString):
    import re
    # 用除单词，数字外的任意字符串划分 ,要用\\W
    listOfTokens = re.split(r'\\W*', bigString)
    # regEx=re.compile('\\W', flags=0)
    # listOfTokens=regEx.split(bigString)
    return [tok.lower() for tok in listOfTokens if len(tok) > 2]
# 垃圾邮件测试函数
def spamTest():
    docList = []
    classList = []
    fullText = []
    for i in range(1, 26):
        wordlist = textParse(open('email/spam/%d.txt' % i).read())
        docList.append(wordlist)
        fullText.append(wordlist)
        classList.append(1)
        wordlist = textParse(open('email/ham/%d.txt' % i).read())
        docList.append(wordlist)
        fullText.append(wordlist)
        classList.append(0)
    #生成去重词汇表
    vocabList = createVocabList(docList)
    #  trainingSet = range(50)
    # python3.x, 出现错误'range'object doesn't support item deletion
    # 原因：python3.x range返回的是range对象，不返回数组对象
    # 解决方法：把 trainingSet = range(50)改为trainingSet = list(range(50))
    #生成0到49的列表
    trainingSet = list(range(50))
    testSet=[]
    #随即选10封作为测试集
    for i in range(10):
        randIndex=int(random.uniform(0,len(trainingSet)))
        testSet.append(trainingSet[randIndex])
        del(trainingSet[randIndex])
    trainMat=[]
    trainClasses=[]
    #生成文件向量
    for docIndex in trainingSet:
        trainMat.append(setOfWords2Vec(vocabList,docList[docIndex]))
        trainClasses.append(classList[docIndex])
    #求p0V,p1V,pSpam
    p0V,p1V,pSpam=trainNB0(array(trainMat),array(trainClasses))
    errorCount=0
    for docIndex in testSet:
        wordVector=setOfWords2Vec(vocabList,docList[docIndex])
        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))

#4.7
#计算词汇表里每个单词在全部文本里的出现频率，排序拿到频率前30的
def calcMostFreq(vocabList,fullText):
    import operator
    freqDict={}
    for token in vocabList:
        freqDict[token]=fullText.count(token)
    sortedFreq=sorted(freqDict.items(),key=operator.itemgetter(1),reverse=True)
    return sortedFreq[:30]
#最具表征性的词汇显示函数
def localWords(feed1,feed0):
    docList=[]
    classList=[]
    fullText=[]
    minLen=min(len(feed1['entries']),len(feed0['entries']))
    #每次访问一条rss源
    for i in range(minLen):
        wordList=textParse(feed1['entries'][i]['summary'])
        docList.append(wordList)
        fullText.extend(wordList)
        classList.append(1)
        wordList=textParse(feed0['entries'][i]['summary'])
        docList.append(wordList)
        fullText.extend(wordList)
        classList.append(0)
    vocabList=createVocabList(docList)
    #去掉出现次数最高的那些词
    top30Words=calcMostFreq(vocabList,fullText)
    for pairW in top30Words:
        if pairW[0] in vocabList:
            vocabList.remove(pairW[0])
    trainingSet=list(range(2*minLen))
    testSet=[]
    for i in range(20):
        randIndex=int(random.uniform(0,len(trainingSet)))
        testSet.append(trainingSet[randIndex])
        del(trainingSet[randIndex])
    trainMat=[]
    trainClasses=[]
    for docIndex in trainingSet:
        trainMat.append(bagOfWords2VecMN(vocabList,docList[docIndex]))
        trainClasses.append(classList[docIndex])
    p0V,p1V,pSam=trainNB0(array(trainMat),array(trainClasses))
    errorCount=0
    for docIndex in testSet:
        wordVector=bagOfWords2VecMN(vocabList,docList[docIndex])
        if classifyNB(array(wordVector),p0V,p1V,pSam)!=classList[docIndex]:
            errorCount+=1
    print('the error rate is: ',float(errorCount)/len(testSet))
    return vocabList,p0V,p1V
#最具表征性的词汇显示函数
def getTopWords(ny,sf):
    vocabList,p0V,p1V=localWords(ny,sf)
    topNY=[]; topSF=[]
    for i in range(len(p0V)):
        if p0V[i] > -2.0 :
            topSF.append((vocabList[i],p0V[i]))
        if p1V[i] > -2.0 :
            topNY.append((vocabList[i],p1V[i]))
    sortedSF = sorted(topSF, key=lambda pair: pair[1], reverse=True)
    print("SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**")
    for item in sortedSF:
        print(item[0])
    sortedNY = sorted(topNY, key=lambda pair: pair[1], reverse=True)
    print("NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**")
    for item in sortedNY:
        print(item[0])