一文速学数模-分类模型(四)基于概率的朴素贝叶斯分类器详解--Python实现以及项目实战

fanstuck

已于 2023-02-20 16:33:26 修改

阅读量2.7k

点赞数 21

CC 4.0 BY-SA版权

分类专栏：一文速学-数学建模常用模型文章标签： python 机器学习深度学习算法人工智能

于 2020-12-09 02:24:03 首次发布

本文链接：https://blog.youkuaiyun.com/master_hunter/article/details/109630661

一文速学-数学建模常用模型专栏收录该内容

83 篇文章 ¥29.90 ¥99.00

订阅专栏

超级会员免费看

本文介绍了如何使用Python实现朴素贝叶斯分类器，包括准备数据、训练算法、分类函数、文档词袋模型以及应用到垃圾邮件过滤。通过计算词向量概率和处理下溢出问题，实现分类器并进行交叉验证。文章还提供了数据预处理和词袋模型的详细步骤。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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'],