朴素贝叶斯

 本文介绍使用朴素贝叶斯进行文本分类。下面分析各段代码所实现的功能

def loadDataSet():
 2     postingList=[['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'],
 3                  ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'],
 4                  ['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him'],
 5                  ['stop', 'posting', 'stupid', 'worthless', 'garbage'],
 6                  ['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'],
 7                  ['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']]
 8     classVec = [0,1,0,1,0,1]    #1 代表侮辱性文档, 0 代表正常言论文档
 9     return postingList,classVec
10 上面代码生成用来进行文本分类的文档，每一行表示一个文档，每一个文档都有一个人工预先做好的分类，就是classVec= [0,1,0,1,0,1]中相应位置的值

其中，被归类为1的文档，表示该文档是侮辱性文档，被标记为0 的文档，表明其为正常言论文档。
11 def createVocabList(dataSet): 
12     vocabSet = set([])  # 创建空的集合
13     for document in dataSet:
14         vocabSet = vocabSet | set(document) # 操作符 | 用来求两个集合的并集
15     return list(vocabSet)  # 返回 集合中 所有不重复的关键词
16该代码实现创建一个词汇列表，这个词汇列表包含输入所有文档中的所有单词，并且没有重复的单词。假如将上面的postingList文档数据输入这个函数之中，

那么这个程序将统计文档中出现的所有单词并存放在一个列表之中，并且没有重复的单词，如下：输出的
list(vocabSet)=

['garbage', 'love', 'my', 'dog', 'park', 'buying', 'help', 'is', 'so', 'to', 'ate', 'steak', 'please', 'him', 'not', 'stupid', 'take', 'maybe', 'posting', 'problems', 'worthless', 'I', 'food', 'quit', 'mr', 'dalmation', 'stop', 'has', 'licks', 'how', 'flea', 'cute']
 9 #检查上述的词表发现，这里不会出现重复的单词
这个词汇表很有用，后面所有的统计都将根据这个文档的词汇表来。如下面的程序，输入的两个参数，一个就是上面生成的文档词汇表，另外一个是需要处理的文档。

下面函数实现，以文档词汇表为参照，把输入的每个文档inputSet中的每个词语，都和词汇表进行比较，假如inputSet中的一个词汇出现在了词汇表之中，那么在输出向量returnVec中的

相应位置，就会被标记为1；否则标记为0.

这个函数实现以词汇表为参照的新文档的向量转换。inputSet由原来的字符型文档，经过转换之后，全部变成了由0和1构成的数值型文档。

17 def setOfWords2Vec(vocabList, inputSet):# vocabList=词汇表 ，inputSet = 输入的文档 #文档词汇 转换 成文档 向量
18     returnVec = [0]*len(vocabList) # 生成一个值为0，长度和vocabList一样的集合
19     for word in inputSet:
20         if word in vocabList:
21             returnVec[vocabList.index(word)] = 1
22         else: print "the word: %s is not in my Vocabulary!" % word
23     return returnVec # 返回 输入文档inputSet 的向量

打个比方，把postingList的第0个和第3个文档进行向量转换，就得到如下的数值型向量。

bayes.setOfWords2Vec(myVocabList,listOPost[0])# 把文档转换成向理
11 [0, 0, 1, 1, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0]
12 >>> bayes.setOfWords2Vec(myVocabList,listOPost[3])# 把文档转换成向理
13 [1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0]

def trainNB0(trainMatrix,trainCategory):  #trainMatrix 所有文档按照词汇表规范化之后的向量形式  trainCategory 文档的分类 类别向量，这是人工提前标记好的
 2     numTrainDocs = len(trainMatrix) #  numTrainDocs = 总文档数
 3     numWords = len(trainMatrix[0]) # numWords= 词汇长度，由于输入文档被词汇表规范化，因而第0个文档的单词个数和其他文档的单词个数是一样的
 4     pAbusive = sum(trainCategory)/float(numTrainDocs)  # 根据人工提前标记好的文档的分类，从中计算出真实的侮辱性文档的比例
 5     p0Num = zeros(numWords); p1Num = zeros(numWords)      #初始化两个和词汇表一样长度的向量，其中一个用来存放正常文档中的统计出来的每个单词出现的次数，另一个用来存放侮辱性文档中统计出来的每个单词的出现的次数
 6     p0Denom = 0.0; p1Denom = 0.0                        #定义两个分母，一个表示正常文档中，所有词汇出现的总频数，另一个表示侮辱性文档中所有单词出现的总频数。
 7     for i in range(numTrainDocs):
 8         if trainCategory[i] == 1: #类别为 1 
 9             p1Num += trainMatrix[i]  # 分子向量累计相加；实现侮辱性文档中，每个单词各自出现的次数统计
10             p1Denom += sum(trainMatrix[i])#分母 ，计算侮辱性文档中所有词汇出现的总次数
11         else:
12             p0Num += trainMatrix[i]  #计算正常文档中，每个单词各自出现的次数
13             p0Denom += sum(trainMatrix[i])#计算正常文档中，所有词汇出现的总次数
14     p1Vect = p1Num/p1Denom          # 返回一个向量，其中的每个元素，表示相应的单词在侮辱性文档中出现的比例，也就是概率
15     p0Vect = p0Num/p0Denom          # 也是一个向量，其中的每个元素，表示相应的单词在正常文档中出现的比例，也就是概率

16     return p0Vect,p1Vect,pAbusive#

最终返回的是两个向量和一个内在固定好的比例值。前面两个向量值非常重要，表示侮辱性文档检测器和正常文档检测器。这两个向量需要和文档向量相乘，其结果的大小可以判断某个文档是属于哪一类。因此这两个向量相当于是两个检测器。经过这两个向量检测过后，才能判断某个文档属于哪一类。这三个值是贝叶斯方法中最重要的三个值。