机器学习实战——基于概率论的分类方法：朴素贝叶斯（二）

                                      使用贝叶斯过滤垃圾邮件

1.准备数据：切分文本

将字符串切分为词列表时，倘若没有split参数，则标点符号也会被当成词的一部分，可以使用正则表达式来切分句子，其中分隔符是除了单词，数字之外的任意字符串。

>>>import re

>>> regEx = re.compile('\\W*')

>>>listOfTokens = regEx.split(mySent)

>>>[tok.lower()  for tok in listOftokens if len(tok)>0]

在实际的解析过程中，比如要用更高级的过滤器对HTML和URL对象进行处理

2.测试算法：使用朴素贝叶斯进行交叉验证

使用本地的数据，将邮件内容存放在txt文件中，只对邮件的第一行进行验证。spam和ham的文件夹下分别存储了两类邮件。

#本地文件解析以及完整的垃圾邮件测试函数
def textParse(bigString):
    import re
    #利用正则表达式去除标点，防止其作为分割符
    listOfTokens = re.split(r"\W*",bigString)
    #长度＞2且全部转为小写
    return [tok.lower() for tok in listOfTokens if len(tok)>2]
def spamTest():
    docList = []
    classList = []
    fullText = []
    for i in range(1,26):
        wordList = textParse(open('email/spam/%d.txt' % i).read())
        #append方法是将参数整体作为元素进行添加
        #extend方法是将参数拆解作为元素添加，可能有重复元素
        docList.append(wordList)
        fullText.extend(wordList)
        #添加对应类别标签
        classList.append(1)
        wordList = textParse(open('email/ham/%d.txt' % i).read())
        docList.append(wordList)
        fullText.extend(wordList)
        classList.append(0)
    vocablList = createVocabList(docList)
    trainingSet = [i for i in range(50)]
    testSet = []
    #随机挑取10个随机数作为要测试的样本索引
    for i in range(10):
        randIndex = int(random.uniform(0,len(trainingSet)))
        testSet.append(trainingSet[randIndex])
        #剩余的索引对应训练集
        del(trainingSet[randIndex])
    trainMat = []; trainClasses = []
    #得到训练样本集的向量形式和类别标签
    for docIndex in trainingSet:
        trainMat.append(setOfWord2Vec(vocablList,docList[docIndex]))
        trainClasses.append(classList[docIndex])
    #训练得到各个词对应的概率权重大小
    p0V,p1V,pSpam = trainNB0(array(trainMat),array(trainClasses))
    errorCount = 0
    for docIndex in testSet:
        wordVector = setOfWord2Vec(vocablList,docList[docIndex])
        #将预测值与实际值进行比较
        if classifyNB(array(wordVector),p0V,p1V,pSpam) != classList[docIndex]:
            errorCount += 1
    print('the error rate is :',float(errorCount)/len(testSet))

textParse()函数接受一个大写字符串并将其解析为单词列表spamTest（）对贝叶斯垃圾邮件分类器进行自动化处理，首先构建一个测试集和训练集，总共50个邮件，然后得到所有词的词典，随机选取10个样本作为测试集，剩余的用作训练集。利用词典构建各个样本的词向量，并将其添加到训练矩阵中，通过训练矩阵和标签列表，得到各个词对应的概率权重列表。最后得到测试集的预测值，进而求得错误率。