一：加载数据的代码：
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 '''将文档的新词加入集合中，得到参考用的词典''' def createVocabList(dataSet): vocabSet = set([]) for document in dataSet: vocabSet = vocabSet|set(document)#得到dataSet里面的所有语句的单词（不重复，但排序无规律) return list(vocabSet) '''将一条留言转换为词（数字）向量（参照vocabList），通过词向量和vocabList便可得到一个句子''' def setOfWords2Vec(vocabList,inputSet): returnVec = [0]*len(vocabList) for word in inputSet: if word in vocabList:#判断inputSet里的单词是否在vocabList内 returnVec[vocabList.index(word)] = 1 else: print("the word:%s is not in my Vocabulary!" % word) return returnVec '''词袋模型：一个词可以在文档内出现多次(>=1)（一旦出现这种情况则：可能包含该词是否出现在文档所不能表达的某种信息）''' def bagOfWords2VecMN(vocabList,inputSet): returnVec = [0] * len(vocabList) for word in inputSet: if word in vocabList: # 判断inputSet里的单词是否在vocabList内 returnVec[vocabList.index(word)] += 1 return returnVec
二：朴素贝叶斯算法：
from numpy import * import LoadData '''从词向量中计算每个单词（属性）在相应类别中的概率''' def trainNB0(trainMatrix,trainCategory):#输入的是词向量以及其对应的类别 numTrainDocs = len(trainMatrix) numWords = len(trainMatrix[0]) pAbusive = sum(trainCategory)/float(numTrainDocs)#计算侮辱性文档的概率 # p0Num = zeros(numWords);p1Num = zeros(numWords)#得到正常文档和侮辱性文档中使用词汇表中每个单词的使用次数 # p0Denom = 0.0;p1Denom = 0.0#计算正常文档和侮辱性文档中使用词汇表中的单词的总个数 '''为避免出现概率率值为0的数：''' p0Num = ones(numWords);# 得到正常文档和侮辱性文档中使用词汇表中每个单词的使用次数 p1Num = ones(numWords) p0Denom = 1.0;# 计算正常文档和侮辱性文档中使用词汇表中的单词的总个数 p1Denom = 1.0 for i in range(numTrainDocs):#统计每个词向量 if trainCategory[i] ==1: p1Num += trainMatrix[i] p1Denom += sum(trainMatrix[i]) else: p0Num += trainMatrix[i] p0Denom += sum(trainMatrix[i]) # p1Vect = p1Num/p1Denom#计算侮辱性文档中使用到的词汇表中每个单词的概率，即计算侮辱性文档中每个属性的概率P1(w|c) # p0Vect = p0Num/p0Denom#计算正常文档中使用到的词汇表中每个单词的概率，即计算正常文档中每个属性的概率P1(w|c) '''防止下溢出（计算得到的数字太小而被四舍五入为0）''' p1Vect = log(p1Num / p1Denom) # 计算侮辱性文档中使用到的词汇表中每个单词的概率，即计算侮辱性文档中每个属性的概率P1(w|c) p0Vect = log(p0Num / p0Denom) # 计算正常文档中使用到的词汇表中每个单词的概率，即计算正常文档中每个属性的概率P1(w|c) return p0Vect,p1Vect,pAbusive def classifyNB(vec2Classify,p0Vec,p1Vec,pClass1):#使用计算出的相应概率利用公式进行类别概率计算 p1 = sum(vec2Classify*p1Vec) + log(pClass1) p0 = sum(vec2Classify*p0Vec) + log(1.0 - pClass1) if p1 > p0: return 1 else: return 0 def testingNB(): #计算相应的条件概率 listOPosts,listClassis = LoadData.loadDataSet() myVocabList = LoadData.createVocabList(listOPosts) trainMat = [] for postinDoc in listOPosts: trainMat.append(LoadData.setOfWords2Vec(myVocabList,postinDoc)) p0V,p1V,pAb = trainNB0(array(trainMat),array(listClassis)) '''正式归类''' testEntry = ['love','my','dalmation'] thisDoc = array(LoadData.setOfWords2Vec(myVocabList,testEntry)) print(testEntry,'classified as:',classifyNB(thisDoc,p0V,p1V,pAb)) testEntry = ['stupid','garbage'] thisDoc = array(LoadData.setOfWords2Vec(myVocabList,testEntry)) print(testEntry,'classified as:',classifyNB(thisDoc,p0V,p1V,pAb))
三：测试代码：
import LoadData import bayes '''准备数据''' listOPosts,listClasses = LoadData.loadDataSet() myVocabList = LoadData.createVocabList(listOPosts) print(myVocabList) print(LoadData.setOfWords2Vec(myVocabList,listOPosts[0])) print(LoadData.setOfWords2Vec(myVocabList,listOPosts[3])) '''从词向量计算概率：''' from numpy import * import bayes listOPosts,listClasses = LoadData.loadDataSet() myVocabList = LoadData.createVocabList(listOPosts) trainMat = [] for postinDoc in listOPosts: trainMat.append(LoadData.setOfWords2Vec(myVocabList,postinDoc)) print(trainMat) p0V,p1V,pAb = bayes.trainNB0(trainMat,listClasses) print(pAb) print(p0V) print(p1V) '''测试算法：''' bayes.testingNB()
AIEarth是一个由众多领域内专家博主共同打造的学术平台，旨在建设一个拥抱智慧未来的学术殿堂！【平台地址：https://devpress.csdn.net/aiearth】 很高兴认识你！加入我们共同进步！
