在学习了朴素贝叶斯理论之后,我们在这一部分将进行代码的实战,主要参考的材料也是《机器学习实战》这本书。
1.使用朴素贝叶斯进行文档分类
利用机器学习的知识对文档进行分类是一个很重要的应用。思路主要是将每个词出现或者不出现作为一个特征,这样特征数目就和词汇表中的数目一样多,在对其进行分析。
朴素贝叶斯的一般过程:
(1)收集数据:任何可收集到的方法。(这里用RSS源数据)
(2)准备数据:数据类型要是数值或者布尔型
(3)分析数据:大量特征时,绘制特征作用不大,直接用直方图效果更好
(4)训练算法:计算不同的独立特征的条件概率
(5)测试算法:计算训练出的模型在测试集上的错误率
(6)使用算法:可在任意的分类场景使用
接下来介绍一个用朴素贝叶斯分类器对垃圾邮件分类的代码:
from numpy import *
#这里loadDataSet创建了一些实验的样本
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, 0 not
return postingList,classVec
def createVocabList(dataSet):
'''
该函数是创建一个包含在所有文档中出现的不重复词的列表
'''
vocabSet = set([])
for document in dataSet:
vocabSet = vocabSet | set(document) #方法是取原来集合和新集合的并集,获得新的vocabSet
return list(vocabSet)
def setOfWords2Vec(vocabList,inputSet):
'''
这个函数输入的是词汇表和一个新文档,输出的是一个01向量,0代表没有在词汇表中出现,1代表出现了
'''
returnVec = [0] * len(vocabList) #创建一个和vocabList长度相同的0向量
for word in inputSet:
if word in vocabList:
returnVec[vocabList.index(word)] = 1 #如果inputSet里的词在vocabList出现,则向量对应的index处变为1
else:
print('the word %s is not in my Vocabulary!' % word)
return returnVec
def trainNB0(trainMatrix,trainCategory):
'''
利用朴素贝叶斯分类器训练我们的分类函数
返回的是
p0Vec:非侮辱性文档的出现的词的概率向量
p1Vec:含侮辱性文字文档中的出现的词的概率向量
pAbusive:侮辱性文档的概率
'''
numTrainDocs = len(trainMatrix) #训练集中的文档的数目
numWords = len(trainMatrix[0]) #词的数目
pAbusive = sum(trainCategory)/float(numTrainDocs) #含有侮辱性词的文档的概率 Abusive:侮辱性
'''
p0Num = zeros(numWords);p1Num = zeros(numWords) #初始化
p0Denom = 0.0;p1Denom = 0.0
'''
# 为了防止贝叶斯某个条件概率为0影响结果,使用贝叶斯估计,拉普拉斯平滑
p0Num = ones(numWords);p1Num = ones(numWords) #初始化
p0Denom = 2.0;p1Denom = 2.0
for i in range(numTrainDocs):
if trainCategory[i] == 1:
p1Num += trainMatrix[i] #这是一个类别为1的词汇出现次数的向量
p1Denom += sum(trainMatrix[i]) #这是一个类别为1的总的词汇出现的个数
else:
p0Num += trainMatrix[i] #这是一个类别为0的词汇出现次数的向量
p0Denom += sum(trainMatrix[i]) #这是一个类别为0的总的词汇出现的个数
'''
p1Vec = p1Num/p1Denom #这是一个类别为1的每个词汇出现的概率的向量
p0Vec = p0Num/p0Denom #这是一个类别为0的每个词汇出现的概率的向量
'''
#用取对数法来防止下溢出
p1Vec = log(p1Num/p1Denom) #这是一个类别为1的每个词汇出现的概率的向量
p0Vec = log(p0Num/p0Denom) #这是一个类别为0的每个词汇出现的概率的向量
return p0Vec,p1Vec,pAbusive
def classifyNB(vec2Calssify,p0Vec,p1Vec,pClass1):
'''
这是朴素贝叶斯的分类函数,返回的是最后分类的类别
输入的参数
vec2Calssify:要判别的向量
p0Vec:非侮辱性词汇的出现概率的对数向量
p1Vec:含侮辱性词汇的出现概率的对数向量
pClass1:属于类别1的概率
输出的参数
1:含侮辱性词汇
0:不含侮辱性词汇
'''
p1 = sum(vec2Calssify * p1Vec) + log(pClass1) #这是该词向量属于第1类的可能性
p0 = sum(vec2Calssify * p0Vec) + log(1-pClass1) #这是该词向量属于第0类的可能性
if p1 > p0:
return 1
else:
return 0
def testingNB():
'''
测试函数,测试几个样例
'''
listOPosts,listClasses = loadDataSet()
MyvocabList = createVocabList(listOPosts)
trainMat = []
for postinDoc in listOPosts:
trainMat.append(setOfWords2Vec(MyvocabList,postinDoc))
p0v,p1v,pab = trainNB0(trainMat,listClasses)
test1 = ['love','my','dalmation']
doc1 = setOfWords2Vec(MyvocabList,test1)
print(test1,'Classified as:',classifyNB(doc1,p0v,p1v,pab))
test2 = ['stupid','garbage']
doc2 = setOfWords2Vec(MyvocabList,test2)
print(test2,'Classified as:',classifyNB(doc2,p0v,p1v,pab))
def bagOfWords2VecMN(vocabList,inputSet):
'''
这是一个文档词袋模型,和词集模型(set-of-words-model)类似,不同的是词袋模型会记录词出现的次数,词集模型只记录是否出现
'''
returnVec = [0] * len(vocabList)
for word in inputSet:
if word in vocabList:
returnVec[vocabList.index(word)] += 1
else:
print('%s 这个词不在我们的词表中' % word)
return returnVec
def textParse(bigString):
'''
该函数用来进行语句分割
分离出所有的词并且统一为小写字母
'''
import re
listOfTokens = re.split(r'\W+',bigString)
listOfTokens = [tok.lower() for tok in listOfTokens if len(tok) > 2]
return listOfTokens
def spamTest():
'''
垃圾邮件分类测试函数
'''
docList = []; classList = []; fullText = [] #分别为文档列表,类别列表(垃圾邮件or not),全文词汇
#将文档数据导入到上面到列表中
for i in range(1,26):
wordList = textParse(open('email/spam/%d.txt' % i,encoding='utf-8',errors = 'ignore').read())
docList.append(wordList)
classList.append(1)
fullText.extend(wordList)
wordList = textParse(open('email/ham/%d.txt' % i,encoding='utf-8',errors = 'ignore').read())
docList.append(wordList)
classList.append(0)
fullText.extend(wordList)
vocabList = createVocabList(docList)
trainSet = [i for i in range(50)]
testSet = []
#随机构建训练集(从集合里删除十个不同邮件作为测试集)
for i in range(10):
randIndex = int(random.uniform(0,len(trainSet)))
testSet.append(trainSet[randIndex])
del(trainSet[randIndex])
#创建训练集
trainMat = [];trainClass = []
for docIndex in trainSet:
trainMat.append(setOfWords2Vec(vocabList,docList[docIndex]))
trainClass.append(classList[docIndex])
#用NB训练数据
p0v,p1v,pSpam = trainNB0(trainMat,trainClass)
error_count = 0
#创建测试集并测试
for docIndex in testSet:
wordVector = setOfWords2Vec(vocabList,docList[docIndex])
if classifyNB(wordVector,p0v,p1v,pSpam) != classList[docIndex]:
error_count += 1
print('the error rate is:%f' % (error_count/len(testSet)))
spamTest()
参考资料:
机器学习实战 Peter Harrington著 李锐 李鹏 曲亚东 王斌 译