本文深入探讨了朴素贝叶斯分类器在文档分类任务中的应用，从数据集构建、词汇库创建、训练过程到实际应用，详细解释了如何通过贝叶斯原理对文档进行分类，并提供了具体的代码实现与测试案例，最终通过实例展示了如何利用朴素贝叶斯分类器过滤垃圾邮件。此外，文章还介绍了通过调整参数和改进初始化策略来解决潜在问题，确保分类器的有效性和准确性。
毕业论文写不下去，就逃避来学这个
万事开头难，要勇敢迈出第一步
加油！
========================================================================================
贝叶斯的原理不赘述啦，网上还是有很多资料的
创建一个数据集，书中是以文档分类的例子来讲
def loadDataSet():
postingList=[['my','dog','has','flea','problem','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]
return postingList,classVec上面这个函数就创建了一个小数据集，包含六篇文档，每篇文档有各自的分类（此例仅有0和1两类）
def createVocabList(dataset):
vocabSet=set([])
for document in dataset:
vocabSet=vocabSet|set(document)
#循环对数据集内的每个文件提取word,set用于去重
#求并集
return list(vocabSet)该函数将文档集转换为一个词汇库(vocabulary)，里面包含在文档集内的所有word
贝叶斯的文档分类都是基于词汇库将文档转换成（特征）向量的，值就0和1表示存在或不存在
def setOfWords2Vec(vocabList,inputSet):
returnVec=[0]*len(vocabList)
#创建一个所含元素都是0的向量
for word in inputSet:
if word in vocabList:
returnVec[vocabList.index(word)]=1
else:print("the word: %s is not in my Vocabulary!" %word)
return returnVec
#该函数首先创建一个与词汇表等长的向量
#输出表示判断文档中的单词在词汇表中是否出现
#从而将文档转换为词向量朴素贝叶斯分类器训练函数：
def trainNB0(trainMatrix,trainCategory):
numTrainDocs=len(trainMatrix)
#获取训练集的文档个数
numWords=len(trainMatrix[0])
#由第一行的个数获得vocabulary的长度
pAbusive=sum(trainCategory)/float(numTrainDocs)
#表示类别的概率，此例中仅限类别为0和1的状况
p0Num=zeros(numWords)
p1Num=zeros(numWords)
#pXNum是一个与Vocabulary等长的向量，用于统计对应word出现的次数
p0Denom=0.0
p1Denom=0.0
#pXDenom表示第X类内单词的总数
for i in range(numTrainDocs):
if trainCategory[i]==1:
p1Num+=trainMatrix[i]
p1Denom+=sum(trainMatrix[i])
else:
p0Num+=trainMatrix[i]
p0Denom+=sum(trainMatrix[i])
p1Vec=p1Num/p1Denom
p0Vec=p0Num/p0Denom
#vocabulary中的某个词在某类别里头出现的频率
return p0Vec,p1Vec,pAbusive#首先搞清楚参数的意思
#结合前几个函数：postingList表示文档的集合，每一行表示一篇文档，行数即文档数
#classVec向量内值的个数与文档数相同，表示各文档的分类
#createVocabList函数把这些文档整合起来求得不含重复word的vocabulary
#setOfWords2Vec函数把一篇文档的word对应到vocabulary中，变成一个向量
#本函数的第一个参数表示每篇转化到vocabulary对应的向量，为n*m，n是文档数，m是vocabulary的长度
#trainCategory是一个向量，是每篇文档对应的类别
测试用的代码：
from numpy import *
import bayes
listPost,listClass=bayes.loadDataSet()
myVoc=bayes.createVocabList(listPost)
trainMat=[]
for postinDoc in listPost:
trainMat.append(bayes.setOfWords2Vec(myVoc,postinDoc))
p0V,p1V,pAb=bayes.trainNB0(trainMat,listClass)
print(myVoc)
print(p0V)
print(p1V)
print(pAb)这里朴素贝叶斯分类器训练函数的输出：
vocabulary里的word在个类别中出现的概率（先验概率）
每个类别出现的概率（先验概率）
此例中pAb结果为0.5，表示0和1两类是等概率出现的
根据现实情况修改：
1.初始化问题
贝叶斯进行文档分类时，需要多个概率的乘积以获得文档属于某个类别的概率
即：分别在每个类内对文档内的每个WORD的概率相乘，以获得整个文档对应该类别的概率
但是如果某个概率值为0，则整个概率值也为0。所以书中将所有单词出现数初始化为1，分母初始化为2
p0Num=ones(numWords)
p1Num=ones(numWords)
#pXNum的个数被初始化为1
p0Denom=2.0
p1Denom=2.02.下溢出
由于有很多个很小的数相乘，容易造成下溢出，最后会四舍五入得0.
解决的方法是：对乘积取对数
ln(a*b)=ln(a)+ln(b)
具体代码中为：
p1Vec=log(p1Num/p1Denom)
p0Vec=log(p0Num/p0Denom)
最后是整合上面的步骤，用于进行分类
def classifyNB(vec2Classify,p0Vec,p1Vec,pClass1):
p1=sum(vec2Classify*p1Vec)+log(pClass1)
p0=sum(vec2Classify*p0Vec)+log(1.0-pClass1)
if p1>p0:
return 1
else:
return 0针对检测向量，对每个类别的概率进行计算，概率大的为分类结果
def testingNB():
listPost,listClass=loadDataSet()
myVoc=createVocabList(listPost)
trainMat=[]
for postinDoc in listPost:
trainMat.append(setOfWords2Vec(myVoc,postinDoc))
p0V,p1V,pAb=trainNB0(trainMat,listClass)
testEntry=['love','my','dalmation']
thisDoc=array(setOfWords2Vec(myVoc,testEntry))
print(testEntry,' classified as ',classifyNB(thisDoc,p0V,p1V,pAb))
testEntry=['stupid','garbage']
thisDoc=array(setOfWords2Vec(myVoc,testEntry))
print(testEntry,' classified as ',classifyNB(thisDoc,p0V,p1V,pAb))
整合上述步骤，同时用了两个测试用例
检测结果：
使用朴素贝叶斯过滤垃圾邮件
def textParse(bigString):
import re
listOfTokens=re.split(r'\W*',bigString)
#使用中正则表达式提取
return [token.lower() for token in listOfTokens if len(token) >2]
</pre>此处，我犯了个错，就是正则表达式那一块，打的小写的w，所以结果错误。怎么犯这么愚蠢的错误<p></p><p><span style="background-color:rgb(240,240,240)"></span></p><pre code_snippet_id="1627130" snippet_file_name="blog_20160329_12_57207" name="code" class="python">def spamTest():
docList=[];classList=[];fullText=[]
for i in range(1,26):
wordList=textParse(open('email\spam\%d.txt' %i).read())
docList.append(wordList)
fullText.append(wordList)
classList.append(1)
#正例
wordList=textParse(open('email\ham\%d.txt' %i).read())
docList.append(wordList)
fullText.append(wordList)
classList.append(0)
#反例
vocabulary=createVocabList(docList)
trainingSet=list(range(50))
testSet=[]
for i in range(10):
randIndex=int(random.uniform(0,len(trainingSet)))
#random模块用于生成随机数
#random.uniform(a,b)用于生成制定范围内的随机浮点数
testSet.append(trainingSet[randIndex])
del trainingSet[randIndex]
#随机选择10个文档作为测试集，其余作为训练集
trainMat=[];trainClasses=[]
for docIndex in trainingSet:
trainMat.append(setOfWords2Vec(vocabulary,docList[docIndex]))
trainClasses.append(classList[docIndex])
#将选中的训练集逐个整合在一起
p0V,p1V,pSpam=trainNB0(trainMat,trainClasses)
errorCount=0
for docIndex in testSet:
wordVector=setOfWords2Vec(vocabulary,docList[docIndex])
if(classifyNB(array(wordVector),p0V,p1V,pSpam)!=classList[docIndex]):
errorCount+=1
#如果分类结果与原类别不一致，错误数加1
print('the error rate is:',float(errorCount)/len(testSet))
</pre>修改了一个地方：按照原文的话抱一个错就是在trainingSet的地方<p></p><p><span style="background-color:rgb(240,240,240)">del(trainingSet[randIndex])TypeError: 'range' object doesn't support item deletion</span></p><p><span style="background-color:rgb(240,240,240)">于是，我在初始化的时候，把它改成了List型</span></p><p><span style="background-color:rgb(240,240,240)"><img src="https://img-blog.youkuaiyun.com/20160329104816823?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQv/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center" alt="" /></span></p><p><span style="background-color:rgb(240,240,240)"></span></p><p><span style="background-color:rgb(240,240,240)"></span><pre name="code" class="python">def calcMostFreq(vocabulary,fulltext):
import operator
freqDict={}
for token in vocabulary:
freqDict[token]=fulltext.count(token)
sortedFreq=sorted(freqDict.items(),key=operator.itemgetter(1),reverse=True)
return sortedFreq[:30]
#出现频率前30的词def localWords(feed1,feed0):
import feedparser
docList=[];classList=[];fullText=[]
minlen=min(len(feed1['entries']),len(feed0['entries']))
for i in range(minlen):
wordList=textParse(feed1['entries'][i]['summary'])
docList.append(wordList)
fullText.extend(wordList)
classList.append(1)
wordList=textParse(feed0['entries'][i]['summary'])
docList.append(wordList)
fullText.extend(wordList)
classList.append(0)
#两个RSS源作为正反例
vocabulary=createVocabList(docList)
#创建词汇库
top30Words=calcMostFreq(vocabulary,fullText)
#获得出现频率最高的30个
for pairW in top30Words:
if pairW[0] in vocabulary:vocabulary.remove(pairW[0])
#去除前30的单词
trainingSet=list(range(2*minlen));testSet=[]
for i in range(20):
randIndex=int(random.uniform(0,len(trainingSet)))
testSet.append(trainingSet[randIndex])
del(trainingSet[randIndex])
#随机选择训练和测试集；测试集为20个
trainMat=[];trainClass=[]
for docIndex in trainingSet:
trainMat.append(bagOfWords2VecMN(vocabulary,docList[docIndex]))
trainClass.append(classList[docIndex])
#将训练集内的文档转换成频数特征
p0V,p1V,pSpam=trainNB0(array(trainMat),array(trainClass))
errorCount=0
for docIndex in testSet:
wordVector=bagOfWords2VecMN(vocabulary,docList[docIndex])
if classifyNB(array(wordVector),p0V,p1V,pSpam)!=classList[docIndex]:
errorCount+=1
print('the error rate is: ',float(errorCount)/len(testSet))
return vocabulary,p0V,p1V
其中还是修改了
trainingSet=list(range(2*minlen))不知道其他学习的同学们有没有遇到这个问题，这么处理对不对？
测试用的代码：
import feedparser
ny=feedparser.parse('http://newyork.craigslist.org/stp/index.rss')
sf=feedparser.parse('http://sfbay.craigslist.org/stp/index.rss')
vocabulary,pSF,pNY=bayes.localWords(ny,sf)
结果是因随机抽取的测试集和训练集不一样会发生变化。
最具表征性词汇显示：
def getTopWord(ny,sf):
import operator
vocabulary,p0V,p1V=localWords(ny,sf)
topNY=[];topSF=[]
for i in range(len(p0V)):
if p0V[i]>-6.0:topSF.append((vocabulary[i],p0V[i]))
if p1V[i]>-6.0:topNY.append((vocabulary[i],p1V[i]))
#按照排序选择
sortedSF=sorted(topSF,key=lambda pair:pair[1],reverse=True)
#pair:pair[1]表示按每个元素的第二个参数排序
print("SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF")
for item in sortedSF:
print(item[0])
sortedNY=sorted(topNY,key=lambda pair:pair[1],reverse=True)
print("NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY")
for item in sortedNY:
print(item[0])
=========================================================================================
下载安装feedsparse
下载地址：点击打开链接
安装方法：首先将路径转换到该文件夹下
然后输入指令python setup.py install
扫一扫
790
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
