朴素贝叶斯算法大致流程:
1、准备数据,创建训练集
2、创建所有特征可能的取值集合
3、将特征取值转换为向量
4、训练算法,从特征向量计算概率:
5、测试算法,对给定的实例先把实例转换为向量。再计算:
6、比较p(y=1|x=xi) 和 p(y=0|x=xi)的概大小,如果前者大,则判定当前实例属于y=1;否则y=0。
课本例题代码:
import numpy as np
from functools import reduce
def loadDataSet():
DataList = [[1, 'S'], [1, 'M'], [1, 'M'], [1, 'S'], [1, 'S'], [2, 'S'], [2, 'M'], [2, 'M'], [2, 'L'], [2, 'L'], [2, 'L'],[3, 'M'], [3, 'M'], [3, 'L'], [3, 'L']]
classVec = [-1, -1, 1, 1, -1, -1, -1, 1, 1, 1, 1, 1, 1, 1, -1]
return DataList,classVec
def createFeatureList(dataSet):
featureSet = set([]) #创建一个空的不重复列表
for document in dataSet:
featureSet = featureSet | set(document) #取并集
return list(featureSet)
def feature2Vec(featurelist,inputSet):
vector=[0]*len(featurelist)
for line in inputSet:
if line in featurelist:
vector[featurelist.index(line)]+=1
return vector
#没有加拉普拉斯平滑的
def trainNB0(trainMat, classVec):
numTrain = len(trainMat) #样本数量
numDataSet = len(trainMat[0]) #总的特征取值
py1 = classVec.count(1)/float(numTrain) #求p(y=1)
p1Num = np.zeros(numDataSet)
p0Num = np.zeros(numDataSet) #y=-1表示为y=0
p1Denom = 0.0
p0Denom = 0.0
for i in range(numTrain):
if classVec[i] == 1: #统计属于y=1的条件概率所需的数据,即P(w0|1),P(w1|1),P(w2|1)···
p1Num += trainMat[i]
p1Denom += 1
else: #统计属于y=-1的条件概率所需的数据,即P(w0|0),P(w1|0),P(w2|0)···
p0Num += trainMat[i]
p0Denom += 1
p1Vect = np.log(p1Num / p1Denom) #取对数,防止下溢出
p0Vect = np.log(p0Num / p0Denom )
return p0Vect,p1Vect,py1
#加拉普拉斯平滑
def trainNB1(trainMat, classVec):
numTrain = len(trainMat) #样本数量
numDataSet = len(trainMat[0]) #总的特征取值
py1 = classVec.count(1)/float(numTrain) #求p(y=1)
p1Num = np.ones(numDataSet) #创建numpy.ones数组,特征出现数初始化为1,拉普拉斯平滑
p0Num = np.ones(numDataSet) #y=-1表示为y=0
p1Denom = 2.0 #分母初始化为2,拉普拉斯平滑
p0Denom = 2.0
for i in range(numTrain):
if classVec[i] == 1: #统计属于y=1的条件概率所需的数据,即P(w0|1),P(w1|1),P(w2|1)···
p1Num += trainMat[i]
p1Denom += 1
else: #统计属于y=-1的条件概率所需的数据,即P(w0|0),P(w1|0),P(w2|0)···
p0Num += trainMat[i]
p0Denom += 1
p1Vect = np.log(p1Num / p1Denom) #取对数,防止下溢出
p0Vect = np.log(p0Num / p0Denom )
return p0Vect,p1Vect,py1
def classifyNB0(vec2Classify, p0Vec, p1Vec, pClass1):
p1 = reduce(lambda x,y:x*y, vec2Classify * p1Vec) * pClass1
p0 = reduce(lambda x,y:x*y, vec2Classify * p0Vec) * (1.0 - pClass1)
if p1 > p0:
return 1
else:
return 0
def classifyNB1(vec2Classify, p0Vec, p1Vec, pClass1):
p1 = sum(vec2Classify * p1Vec) + np.log(pClass1) #对应元素相乘。logA * B = logA + logB,所以这里加上log(pClass1)
p0 = sum(vec2Classify * p0Vec) + np.log(1.0 - pClass1)
if p1 > p0:
return 1
else:
return 0
if __name__=="__main__":
trainList, classVec = loadDataSet()
featurelist = createFeatureList(trainList) #创建所有特征可n能的取值集合
print(featurelist)
trainMat = []
for inputSet in trainList:
trainMat.append(feature2Vec(featurelist, inputSet))
print(trainMat)
p0V, p1V, py1 = trainNB1(trainMat, classVec)
test = [2,'S']
testVec = feature2Vec(featurelist,test)
print(testVec)
pred0 = classifyNB1(testVec,p0V, p1V, py1)
print(pred0)
机器学习实战(文本分类)
import numpy as np
from functools import reduce
"""
函数说明:创建实验样本
postingList - 实验样本切分的单词
classVec - 样本标签向量
"""
def loadDataSet():
postingList=[['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'], #切分的词条
['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] #类别标签向量,1代表侮辱性词汇,0代表不是
return postingList,classVec #返回实验样本切分的词条和类别标签向量
"""
函数说明:生成词库,词库中的单词是不重复的
Parameters:
dataSet - 样本数据集
Returns:
vocabSet - 返回不重复的词条列表,也就是词库
"""
def createVocabList(dataSet):
vocabSet = set([]) #创建一个空集
for document in dataSet:
vocabSet = vocabSet | set(document) #创建两个集合的并集
return list(vocabSet)
"""
函数说明:根据vocabList词汇表,将inputSet向量化,向量的每个元素为1或0
Parameters:
vocabList - createVocabList返回的列表
inputSet - 切分的词条列表
Returns:
returnVec - 文档向量,词集模型
"""
def setOfWords2Vec(vocabList, inputSet):
returnVec = [0] * len(vocabList) #创建一个其中所含元素都为0的向量
for word in inputSet: #遍历每个词条
if word in vocabList: #如果词条存在于词汇表中,则置1
returnVec[vocabList.index(word)] = 1
else: print("the word: %s is not in my Vocabulary!" % word)
return returnVec #返回文档向量
"""
函数说明:朴素贝叶斯分类器训练函数
Parameters:
trainMatrix - 训练文档矩阵,即setOfWords2Vec返回的returnVec构成的矩阵
trainCategory - 训练类别标签向量,即loadDataSet返回的classVec
Returns:
p0Vect - 非的条件概率数组
p1Vect - 侮辱类的条件概率数组
pAbusive - 文档属于侮辱类的概率
"""
def trainNB0(trainMatrix,trainCategory):
numTrainDocs = len(trainMatrix) #计算训练的文档数目
numWords = len(trainMatrix[0]) #计算每篇文档的词条数
pAbusive = sum(trainCategory)/float(numTrainDocs) #文档属于侮辱类的概率
p0Num = np.zeros(numWords); p1Num = np.zeros(numWords) #创建numpy.zeros数组,
p0Denom = 0.0; p1Denom = 0.0 #分母初始化为0.0
for i in range(numTrainDocs):
if trainCategory[i] == 1: #统计属于侮辱类的条件概率所需的数据,即P(w0|1),P(w1|1),P(w2|1)···
p1Num += trainMatrix[i]
p1Denom += sum(trainMatrix[i]) ## 该词条的总的词数目 这压样求得每个词条出现的概率 P(w1),P(w2), P(w3)...
else: #统计属于非侮辱类的条件概率所需的数据,即P(w0|0),P(w1|0),P(w2|0)···
p0Num += trainMatrix[i]
p0Denom += sum(trainMatrix[i])
p1Vect = p1Num/p1Denom #相除
p0Vect = p0Num/p0Denom
return p0Vect,p1Vect,pAbusive #返回属于侮辱类的条件概率数组,属于非侮辱类的条件概率数组,文档属于侮辱类的概率
"""
函数说明:朴素贝叶斯分类器分类函数
Parameters:
vec2Classify - 待分类的词条数组
p0Vec - 非侮辱类的条件概率数组
p1Vec -侮辱类的条件概率数组
pClass1 - 文档属于侮辱类的概率
Returns:
0 - 属于非侮辱类
1 - 属于侮辱类
"""
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
p1 = reduce(lambda x,y:x*y, vec2Classify * p1Vec) * pClass1 #对应元素相乘 这里需要好好理解一下
p0 = reduce(lambda x,y:x*y, vec2Classify * p0Vec) * (1.0 - pClass1)
print('p0:',p0)
print('p1:',p1)
if p1 > p0:
return 1
else:
return 0
"""
函数说明:测试朴素贝叶斯分类器
"""
def testingNB():
listOPosts,listClasses = loadDataSet() #创建实验样本
myVocabList = createVocabList(listOPosts) #创建词汇表
trainMat=[]
for postinDoc in listOPosts:
trainMat.append(setOfWords2Vec(myVocabList, postinDoc)) #将实验样本向量化
p0V,p1V,pAb = trainNB0(np.array(trainMat),np.array(listClasses)) #训练朴素贝叶斯分类器
testEntry = ['love', 'my', 'dalmation'] #测试样本1
thisDoc = np.array(setOfWords2Vec(myVocabList, testEntry)) #测试样本向量化
if classifyNB(thisDoc,p0V,p1V,pAb):
print(testEntry,'属于侮辱类') #执行分类并打印分类结果
else:
print(testEntry,'属于非侮辱类') #执行分类并打印分类结果
testEntry = ['stupid', 'garbage'] #测试样本2
thisDoc = np.array(setOfWords2Vec(myVocabList, testEntry)) #测试样本向量化
if classifyNB(thisDoc,p0V,p1V,pAb):
print(testEntry,'属于侮辱类') #执行分类并打印分类结果
else:
print(testEntry,'属于非侮辱类') #执行分类并打印分类结果
if __name__ == '__main__':
testingNB()
该算法的优缺点:
优点:在数据较少的情况下仍然有效,可以处理多类别问题。
缺点:对于输入数据的准备方式交为敏感