前言
前篇基础理论知识：机器学习：贝叶斯分类器详解（一）-贝叶斯决策理论与朴素贝叶斯
这篇主要使用代码实现贝叶斯分类。
一、准备数据
创建一个bayes.py程序，从文本中构建词向量，实现词表向向量转换函数。
from numpy import * def loadDataSet(): postingList = [['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'], # 分词可用wordcloud ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'],# 此文档为斑点犬爱好者留言板 ['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代表侮辱性文字，0代表正常言论 return postingList,classVec #返回的第二个变量为人工标注用于区别侮辱性和非侮辱性的标签。 #创建一个空集 def createVocabList(dataSet): vocabSet = set([]) for document in dataSet: vocabSet = vocabSet | set(document) #创建两个集合的并集 划掉重复出现的单词 return list(vocabSet) #处理样本输出为向量形式 def setOfWords2Vec(vocaList , inputSet): returnVec = [0]*len(vocaList)#创建一个其中所含元素全为0的向量代替文本 for word in inputSet: if word in vocaList: returnVec[vocaList.index(word)] = 1 else: print("the word:%s is not in my Vocabulary!"" % word") return returnVec
第一个函数创建了一些实验样本，第二个函数创建一个包含在所有文档中出现的不重复的列表，第三个函数输入参数为词汇表及某个文档，输出的是文档向量，向量的每一个元素为1或0，分别表示词汇表中的单词在输入文档中是否出现。
可检验函数是否正常工作：
listOPosts,listClasses=loadDataSet() myVocabList=createVocabList(listOPosts) print(myVocabList) print(setOfWords2Vec(myVocabList,listOPosts[0])) print(setOfWords2Vec(myVocabList,listOPosts[3]))
二、训练算法：从词向量计算概率
该函数伪代码如下：
根据前篇基础理论先求得P(w|ci)，再计算P（ci）。
朴素贝叶斯分类器训练函数：
def trainNB0(trainMatrix,trainCategory):#朴素贝叶斯分类器训练函数。参数：1：向量化文档2：词条向量 numTrainDocs = len(trainMatrix)#文本矩阵 numWords = len(trainMatrix[0]) pAbusive = sum(trainCategory)/float(numWords) p0Num = zeros(numWords);p1Num = zeros(numWords)#创建两个长度为词条向量等长的列表,平滑处理：初始值设为1 p0Denom = 0.000001;p1Denom = 0.000001 for i in range (numTrainDocs): if trainCategory[i] ==1: p1Num += trainMatrix[i] p1Denom += sum(trainMatrix[i]) else: p0Num += trainMatrix[i] p0Denom += sum(trainMatrix[i]) p1Vect = p1Num/p1Denom # 利用Numpy数组计算p(wi/c1),即类1条件下各词条出现的概率 p0Vect = p0Num/p0Denom # 利用Numpy数组计算p(wi/c0)，为避免下溢，后面会改为log() return p0Vect, p1Vect, pAbusive # 返回
由于当p0Num时会报RuntimeWarning: invalid value encountered in true_divide，这是由0/0导致，因此在设置p0Denom时不能设置为0.
首先，计算文档属于侮辱性文档（class=1）的概率，即P（1）。P（0）可由1-P（1）得到。
检验：
print(p1v) print(p0v) print(pAb)
结果：
利用贝叶斯分类器对文档进行分类时，要进行多个概率的乘积可获得文档属于某个类别额的概率，即计算p（w0|1）p（w1|1）p（w2|1）。其中一个概率值为0，那么最后的乘积也为0.我们可以将所有出现的词初始值初始化为1，并将分母初始化为2.
修改：
p0Num = ones(numWords); p1Num = ones(numWords)#创建两个长度为词条向量等长的列表,平滑处理：初始值设为1 p0Denom = 2.0;p1Denom = 2.0#平滑处理，初始值设为2
另一个问题为下溢出，这是由于太多很小的数相乘造成的。当计算乘积 p(w0|ci) * p(w1|ci) * p(w2|ci)... p(wn|ci) 时，由于大部分因子都非常小，所以程序会下溢出或者得到不正确的答案。（用 Python 尝试相乘许多很小的数，最后四舍五入后会得到 0）。一种解决办法是对乘积取自然对数。在代数中有 ln(a * b) = ln(a) + ln(b), 于是通过求对数可以避免下溢出或者浮点数舍入导致的错误。同时，采用自然对数进行处理不会有任何损失。
修改：
p1Vect = log(p1Num/p1Denom)#利用Numpy数组计算p(wi/c1),即类1条件下各词条出现的概率 p0Vect = log(p0Num/p0Denom)#利用Numpy数组计算p(wi/c0)，为避免下溢，后面会改为log()
三、分类函数
朴素贝叶斯分类函数：
#朴素贝叶斯分类函数 def classifyNB(vec2Classify,p0Vec,p1Vec,pClass1):#注意参数2，3均已log化 p1 = sum(vec2Classify * p1Vec) + log(pClass1)# P(w|c1) * P(c1) ，即贝叶斯准则的分子 p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1) # P(w|c0) * P(c0) ，即贝叶斯准则的分子 if p1 > p0: return 1 else: return 0 """ 使用算法： # 将乘法转换为加法 乘法：P(C|F1F2...Fn) = P(F1F2...Fn|C)P(C)/P(F1F2...Fn) 加法：P(F1|C)*P(F2|C)....P(Fn|C)P(C) -> log(P(F1|C))+log(P(F2|C))+....+log(P(Fn|C))+log(P(C)) :param vec2Classify: 待测数据[0,1,1,1,1...]，即要分类的向量 :param p0Vec: 类别0，即正常文档的[log(P(F1|C0)),log(P(F2|C0)),log(P(F3|C0)),log(P(F4|C0)),log(P(F5|C0))....]列表 :param p1Vec: 类别1，即侮辱性文档的[log(P(F1|C1)),log(P(F2|C1)),log(P(F3|C1)),log(P(F4|C1)),log(P(F5|C1))....]列表 :param pClass1: 类别1，侮辱性文件的出现概率 :return: 类别1 or 0 """ # 计算公式 log(P(F1|C))+log(P(F2|C))+....+log(P(Fn|C))+log(P(C))
测试：
def testingNB(): """ 测试朴素贝叶斯算法 """ # 1. 加载数据集 listPosts,listClasses =loadDataSet() #2. 创建单词集合 myVocabList = createVocabList(listPosts) #3.计算单词是否出现并创建数据矩阵 trainMat = [] for postinDoc in listPosts: trainMat.append(setOfWords2Vec(myVocabList,postinDoc)) #4.训练数据 p0V,p1V,pAb = trainNB0(array(trainMat),array(listClasses)) #5.测试数据 testEntry = ['love','my','dalmation'] 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))
四、文档词袋模型
由于我们将每个词的出现作为一个特征，这可以被描述为词集模型。但单词往往有多义性，意味着一个单词在文档出现可能代表有不同的含义。这种方法被称为词袋模型。
在词袋中，每个单词可以出现多次，而在词集中，每个词只能出现一次。为适应词袋模型，需要对函数setOfWords2Vec稍加修改：
def bagOfWords2VecMN(vocaList , inputSet): returnVec = [0]*len(vocaList)#创建一个其中所含元素全为0的向量代替文本 for word in inputSet: if word in vocaList: returnVec[vocaList.index(word)] += 1 #每遇到一个单词，相应加一 else: print("the word:%s is not in my Vocabulary!"" % word") return returnVec
五、使用朴素贝叶斯过滤垃圾邮件
1.收集数据
数据集说明： 数据集下包含两个文件夹，其中spam文件夹下为垃圾邮件，ham文件夹下为非垃圾邮件。
数据集格式： txt文件
2.准备数据（处理数据）
英文由于单词之间有空格，方便切分。中文有jieba库，有兴趣的可以了解一下。
myStr = 'This book is the best book on Python.' myStr.split() ['This', 'book', 'is', 'the', 'best', 'book', 'on', 'Python.']
但是最后一个词有标点符号，这个我们通过正则表达式解决，正则表达式在文本分类中是有很大作用的。
import re regEx = re.compile('\\W*') listOfTokens = regEx.split(myStr) listOfTokens ['This', 'book', 'is', 'the', 'best', 'book', 'on', 'Python', '']
这里会有空字符串产生。我们可以计算字符串的长度，只返回字符串长度大于0的字符串。
[tok for tok in listOfTokens if len(tok)>0] ['This', 'book', 'is', 'the', 'best', 'book', 'on', 'Python']
另外我们考虑构建词库，并不用考虑单词的大小写，全部改为小写
[tok.lower() for tok in listOfTokens if len(tok)>0] ['this', 'book', 'is', 'the', 'best', 'book', 'on', 'python']
这么一来我们就完成了简单文本的切分。当然一些文本也有非常复杂的处理方法，具体看文本的内容和性质。
3.测试算法：使用朴素贝叶斯进行交叉验证
直接贴上代码
def textParse(bigString): import re listOfTokens = re.split(r'\W*', bigString) return [tok.lower() for tok in listOfTokens if len(tok) > 2] def spamTest(): docList = [] # 文档（邮件）矩阵 classList = [] # 类标签列表 for i in range(1, 26): wordlist = textParse(open('trashclass/spam/{}.txt'.format(str(i))).read()) docList.append(wordlist) classList.append(1) wordlist = textParse(open('trashclass/ham/{}.txt'.format(str(i))).read()) docList.append(wordlist) classList.append(0) vocabList = bayes.createVocabList(docList) # 所有邮件内容的词汇表 import pickle file=open('trashclass/vocabList.txt',mode='wb') #存储词汇表 二进制方式写入 pickle.dump(vocabList,file) file.close() # 对需要测试的邮件，根据其词表fileWordList构造向量 # 随机构建40训练集与10测试集 trainingSet = list(range(50)) testSet = [] for i in range(10): randIndex = int(np.random.uniform(0, len(trainingSet))) testSet.append(trainingSet[randIndex]) del (trainingSet[randIndex]) trainMat = [] # 训练集 trainClasses = [] # 训练集中向量的类标签列表 for docIndex in trainingSet: # 使用词袋模式构造的向量组成训练集 trainMat.append(bayes.setOfWords2Vec(vocabList, docList[docIndex])) trainClasses.append(classList[docIndex]) p0v,p1v,pAb=bayes.trainNB0(trainMat,trainClasses) file=open('trashclass/threeRate.txt',mode='wb') #用以存储分类器的三个概率 二进制方式写入 pickle.dump([p0v,p1v,pAb],file) file.close() errorCount=0 for docIndex in testSet: wordVector=bayes.setOfWords2Vec(vocabList,docList[docIndex]) if bayes.classifyNB(wordVector,p0v,p1v,pAb)!=classList[docIndex]: errorCount+=1 return float(errorCount)/len(testSet)
加入序列化永久性保存对象，保存对象的字节序列到本地文件中。本例中共有50封电子邮件，其中10封电子邮件被随机选择为测试集合。选择出的数字所对应的文档被添加到测试集，同时也将其从训练集中剔除。这种随机选择数据的一部分作为训练集，而剩余部分作为测试集的过程称为留存交叉验证。现在我们只作出一次迭代，为了更精确的估计分类器的错误率，我们应该多次迭代后求出平均错误率。
当然你也可以用：
from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)
方法很多很简单，这里不重复叙述。
（对了上面的代码setOfWords2Vec其实是bagOfWords2VecMN，我只是没有换名字而已，内容是bagOfWords2VecMN）
开始构造分类器：
import bayes import numpy as np import tkinter as tk from tkinter import filedialog def fileClassify(filepath): import pickle fileWordList=textParse(open(filepath,mode='r').read()) file=open('trashclass/vocabList.txt',mode='rb') vocabList=pickle.load(file) vocabList=vocabList fileWordVec=bayes.setOfWords2Vec(vocabList,fileWordList) #被判断文档的向量 file=open('trashclass/threeRate.txt',mode='rb') rate=pickle.load(file) p0v=rate[0];p1v=rate[1];pAb=rate[2] return bayes.classifyNB(fileWordVec,p0v,p1v,pAb) if __name__=='__main__': print('朴素贝叶斯分类的错误率为：{}'.format(spamTest())) #测试算法的错误率 # filepath=input('输入需判断的邮件路径') root = tk.Tk() root.withdraw() Filepath = filedialog.askopenfilename() # 获得选择好的文件 print(Filepath) #判断某一路径下的邮件是否为垃圾邮件 if fileClassify(Filepath)==1: print('垃圾邮件') else: print('非垃圾邮件')
这里我直接用Tk直接选路径懒得打了QWQ
完成！~~~~感觉不错就点个赞吧~
总结
实践才是硬道理。
