第四章--基于概率论的分类方法：朴素贝叶斯--过滤垃圾邮件（二）
作者：互联网
朴素贝叶斯对电子邮件进行分类的步骤：
收集数据：提供文本文件。
准备数据：将文本文件解析成词条向量。
分析数据：检查词条确保解析的正确性。
训练算法：使用我们之前建立的trainNB0()函数。
测试算法：使用classifyNB()，并构建一个新的测试函数来计算文档集的错误率。
使用算法：构建一个完整的程序对一组文档进行分类，将错分的文档输出到屏幕上。
1 import re
2
3 """
4 函数说明:接收一个大字符串并将其解析为字符串列表
5 Parameters:
6 无
7 Returns:
8 无
9 """
10 def textParse(bigString): #将字符串转换为字符列表
11 listOfTokens = re.split(r'\W*', bigString) #将特殊符号作为切分标志进行字符串切分，即非字母、非数字
12 return [tok.lower() for tok in listOfTokens if len(tok) > 2] #除了单个字母，例如大写的I，其它单词变成小写
13 """
14 函数说明:将切分的实验样本词条整理成不重复的词条列表，也就是词汇表
15 Parameters:
16 dataSet - 整理的样本数据集
17 Returns:
18 vocabSet - 返回不重复的词条列表，也就是词汇表
19 """
20 def createVocabList(dataSet):
21 vocabSet = set([]) #创建一个空的不重复列表
22 for document in dataSet:
23 vocabSet = vocabSet | set(document) #取并集
24 return list(vocabSet)
25
26 if __name__ == '__main__':
27 docList = []; classList = []
28 for i in range(1, 26): #遍历25个txt文件
29 wordList = textParse(open('email/spam/%d.txt' % i, 'r').read()) #读取每个垃圾邮件，并字符串转换成字符串列表
30 docList.append(wordList)
31 classList.append(1) #标记垃圾邮件，1表示垃圾文件
32 wordList = textParse(open('email/ham/%d.txt' % i, 'r').read()) #读取每个非垃圾邮件，并字符串转换成字符串列表
33 docList.append(wordList)
34 classList.append(0) #标记非垃圾邮件，1表示垃圾文件
35 vocabList = createVocabList(docList) #创建词汇表，不重复
36 print(vocabList)
37
38 #根据词汇表，我们就可以将每个文本向量化。我们将数据集分为训练集和测试集，
39 #使用交叉验证的方式测试朴素贝叶斯分类器的准确性。
40 import numpy as np
41 import random
42 """
43 函数说明:根据vocabList词汇表，将inputSet向量化，向量的每个元素为1或0
44 Parameters:
45 vocabList - createVocabList返回的列表
46 inputSet - 切分的词条列表
47 Returns:
48 returnVec - 文档向量,词集模型
49 """
50 def setOfWords2Vec(vocabList, inputSet):
51 returnVec = [0] * len(vocabList) #创建一个其中所含元素都为0的向量
52 for word in inputSet: #遍历每个词条
53 if word in vocabList: #如果词条存在于词汇表中，则置1
54 returnVec[vocabList.index(word)] = 1
55 else: print("the word: %s is not in my Vocabulary!" % word)
56 return returnVec #返回文档向量
57 """
58 函数说明:根据vocabList词汇表，构建词袋模型
59 Parameters:
60 vocabList - createVocabList返回的列表
61 inputSet - 切分的词条列表
62 Returns:
63 returnVec - 文档向量,词袋模型
64 """
65 def bagOfWords2VecMN(vocabList, inputSet):
66 returnVec = [0]*len(vocabList) #创建一个其中所含元素都为0的向量
67 for word in inputSet: #遍历每个词条
68 if word in vocabList: #如果词条存在于词汇表中，则计数加一
69 returnVec[vocabList.index(word)] += 1
70 return returnVec #返回词袋模型
71 """
72 函数说明:朴素贝叶斯分类器训练函数
73 Parameters:
74 trainMatrix - 训练文档矩阵，即setOfWords2Vec返回的returnVec构成的矩阵
75 trainCategory - 训练类别标签向量，即loadDataSet返回的classVec
76 Returns:
77 p0Vect - 侮辱类的条件概率数组
78 p1Vect - 非侮辱类的条件概率数组
79 pAbusive - 文档属于侮辱类的概率
80 """
81 def trainNB0(trainMatrix, trainCategory):
82 numTrainDocs = len(trainMatrix) #计算训练的文档数目
83 numWords = len(trainMatrix[0]) #计算每篇文档的词条数
84 pAbusive = sum(trainCategory)/float(numTrainDocs) #文档属于侮辱类的概率
85 p0Num = np.ones(numWords); p1Num = np.ones(numWords) #创建numpy.ones数组,词条出现数初始化为1，拉普拉斯平滑
86 p0Denom = 2.0; p1Denom = 2.0 #分母初始化为2,拉普拉斯平滑
87 for i in range(numTrainDocs):
88 if trainCategory[i] == 1: #统计属于侮辱类的条件概率所需的数据，即P(w0|1),P(w1|1),P(w2|1)···
89 p1Num += trainMatrix[i]
90 p1Denom += sum(trainMatrix[i])
91 else: #统计属于非侮辱类的条件概率所需的数据，即P(w0|0),P(w1|0),P(w2|0)···
92 p0Num += trainMatrix[i]
93 p0Denom += sum(trainMatrix[i])
94 p1Vect = np.log(p1Num/p1Denom) #取对数，防止下溢出
95 p0Vect = np.log(p0Num/p0Denom)
96 return p0Vect, p1Vect, pAbusive #返回属于侮辱类的条件概率数组，属于非侮辱类的条件概率数组，文档属于侮辱类的概率
97 """
98 函数说明:朴素贝叶斯分类器分类函数
99 Parameters:
100 vec2Classify - 待分类的词条数组
101 p0Vec - 侮辱类的条件概率数组
102 p1Vec -非侮辱类的条件概率数组
103 pClass1 - 文档属于侮辱类的概率
104 Returns:
105 0 - 属于非侮辱类
106 1 - 属于侮辱类
107 """
108 def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
109 p1 = sum(vec2Classify * p1Vec) + np.log(pClass1) #对应元素相乘。logA * B = logA + logB，所以这里加上log(pClass1)
110 p0 = sum(vec2Classify * p0Vec) + np.log(1.0 - pClass1)
111 if p1 > p0:
112 return 1
113 else:
114 return 0
115 """
116 函数说明:朴素贝叶斯分类器训练函数
117 Parameters:
118 trainMatrix - 训练文档矩阵，即setOfWords2Vec返回的returnVec构成的矩阵
119 trainCategory - 训练类别标签向量，即loadDataSet返回的classVec
120 Returns:
121 p0Vect - 侮辱类的条件概率数组
122 p1Vect - 非侮辱类的条件概率数组
123 pAbusive - 文档属于侮辱类的概率
124 """
125 def trainNB0(trainMatrix, trainCategory):
126 numTrainDocs = len(trainMatrix) #计算训练的文档数目
127 numWords = len(trainMatrix[0]) #计算每篇文档的词条数
128 pAbusive = sum(trainCategory)/float(numTrainDocs) #文档属于侮辱类的概率
129 p0Num = np.ones(numWords); p1Num = np.ones(numWords) #创建numpy.ones数组,词条出现数初始化为1，拉普拉斯平滑
130 p0Denom = 2.0; p1Denom = 2.0 #分母初始化为2,拉普拉斯平滑
131 for i in range(numTrainDocs):
132 if trainCategory[i] == 1: #统计属于侮辱类的条件概率所需的数据，即P(w0|1),P(w1|1),P(w2|1)···
133 p1Num += trainMatrix[i]
134 p1Denom += sum(trainMatrix[i])
135 else: #统计属于非侮辱类的条件概率所需的数据，即P(w0|0),P(w1|0),P(w2|0)···
136 p0Num += trainMatrix[i]
137 p0Denom += sum(trainMatrix[i])
138 p1Vect = np.log(p1Num/p1Denom) #取对数，防止下溢出
139 p0Vect = np.log(p0Num/p0Denom)
140 return p0Vect, p1Vect, pAbusive #返回属于侮辱类的条件概率数组，属于非侮辱类的条件概率数组，文档属于侮辱类的概率
141 """
142 函数说明:接收一个大字符串并将其解析为字符串列表
143 Parameters:
144 无
145 Returns:
146 无
147 """
148 def textParse(bigString): #将字符串转换为字符列表
149 listOfTokens = re.split(r'\W*', bigString) #将特殊符号作为切分标志进行字符串切分，即非字母、非数字
150 return [tok.lower() for tok in listOfTokens if len(tok) > 2] #除了单个字母，例如大写的I，其它单词变成小写
151 """
152 函数说明:测试朴素贝叶斯分类器
153 Parameters:
154 无
155 Returns:
156 无
157 """
158 def spamTest():
159 docList = []; classList = []; fullText = []
160 for i in range(1, 26): #遍历25个txt文件
161 wordList = textParse(open('email/spam/%d.txt' % i, 'r').read()) #读取每个垃圾邮件，并字符串转换成字符串列表
162 docList.append(wordList)
163 fullText.append(wordList)
164 classList.append(1) #标记垃圾邮件，1表示垃圾文件
165 wordList = textParse(open('email/ham/%d.txt' % i, 'r').read()) #读取每个非垃圾邮件，并字符串转换成字符串列表
166 docList.append(wordList)
167 fullText.append(wordList)
168 classList.append(0) #标记非垃圾邮件，1表示垃圾文件
169 vocabList = createVocabList(docList) #创建词汇表，不重复
170 trainingSet = list(range(50)); testSet = [] #创建存储训练集的索引值的列表和测试集的索引值的列表
171 for i in range(10): #从50个邮件中，随机挑选出40个作为训练集,10个做测试集
172 randIndex = int(random.uniform(0, len(trainingSet))) #随机选取索索引值
173 testSet.append(trainingSet[randIndex]) #添加测试集的索引值
174 del(trainingSet[randIndex]) #在训练集列表中删除添加到测试集的索引值
175 trainMat = []; trainClasses = [] #创建训练集矩阵和训练集类别标签系向量
176 for docIndex in trainingSet: #遍历训练集
177 trainMat.append(setOfWords2Vec(vocabList, docList[docIndex])) #将生成的词集模型添加到训练矩阵中
178 trainClasses.append(classList[docIndex]) #将类别添加到训练集类别标签系向量中
179 p0V, p1V, pSpam = trainNB0(np.array(trainMat), np.array(trainClasses)) #训练朴素贝叶斯模型
180 errorCount = 0 #错误分类计数
181 for docIndex in testSet: #遍历测试集
182 wordVector = setOfWords2Vec(vocabList, docList[docIndex]) #测试集的词集模型
183 if classifyNB(np.array(wordVector), p0V, p1V, pSpam) != classList[docIndex]: #如果分类错误
184 errorCount += 1 #错误计数加1
185 print("分类错误的测试集：", docList[docIndex])
186 print('错误率：%.2f%%' % (float(errorCount) / len(testSet) * 100))
187
188 if __name__ == '__main__':
189 spamTest()
标签：vocabList,词条,贝叶斯,垃圾邮件,文档,np,侮辱,概率论,trainMatrix 来源： https://www.cnblogs.com/fd-682012/p/11658756.html