算法优缺点
优点:在数据较少的情况下依然有效,可以处理多类别问题
缺点:对输入数据的准备方式敏感
适用数据类型:标称型数据
算法思想:
朴素贝叶斯
比如我们想判断一个邮件是不是垃圾邮件,那么我们知道的是这个邮件中的词的分布,那么我们还要知道:垃圾邮件中某些词的出现是多少,就可以利用贝叶斯定理得到。
朴素贝叶斯分类器中的一个假设是:每个特征同等重要
贝叶斯分类是一类分类算法的总称,这类算法均以贝叶斯定理为基础,故统称为贝叶斯分类。
函数
loadDataSet()
创建数据集,这里的数据集是已经拆分好的单词组成的句子,表示的是某论坛的用户评论,标签1表示这个是骂人的
createVocabList(dataSet)
找出这些句子中总共有多少单词,以确定我们词向量的大小
setOfWords2Vec(vocabList, inputSet)
将句子根据其中的单词转成向量,这里用的是伯努利模型,即只考虑这个单词是否存在
bagOfWords2VecMN(vocabList, inputSet)
这个是将句子转成向量的另一种模型,多项式模型,考虑某个词的出现次数
trainNB0(trainMatrix,trainCatergory)
计算P(i)和P(w[i]|C[1])和P(w[i]|C[0]),这里有两个技巧,一个是开始的分子分母没有全部初始化为0是为了防止其中一个的概率为0导致整体为0,另一个是后面乘用对数防止因为精度问题结果为0
classifyNB(vec2Classify, p0Vec, p1Vec, pClass1)
根据贝叶斯公式计算这个向量属于两个集合中哪个的概率高
- #coding=utf-8
- from numpy import *
- 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
- #创建一个带有所有单词的列表
- def createVocabList(dataSet):
- vocabSet = set([])
- for document in dataSet:
- vocabSet = vocabSet | set(document)
- return list(vocabSet)
- def setOfWords2Vec(vocabList, inputSet):
- retVocabList = [0] * len(vocabList)
- for word in inputSet:
- if word in vocabList:
- retVocabList[vocabList.index(word)] = 1
- else:
- print 'word ',word ,'not in dict'
- return retVocabList
- #另一种模型
- def bagOfWords2VecMN(vocabList, inputSet):
- returnVec = [0]*len(vocabList)
- for word in inputSet:
- if word in vocabList:
- returnVec[vocabList.index(word)] += 1
- return returnVec
- def trainNB0(trainMatrix,trainCatergory):
- numTrainDoc = len(trainMatrix)
- numWords = len(trainMatrix[0])
- pAbusive = sum(trainCatergory)/float(numTrainDoc)
- #防止多个概率的成绩当中的一个为0
- p0Num = ones(numWords)
- p1Num = ones(numWords)
- p0Denom = 2.0
- p1Denom = 2.0
- for i in range(numTrainDoc):
- if trainCatergory[i] == 1:
- p1Num +=trainMatrix[i]
- p1Denom += sum(trainMatrix[i])
- else:
- p0Num +=trainMatrix[i]
- p0Denom += sum(trainMatrix[i])
- p1Vect = log(p1Num/p1Denom)#处于精度的考虑,否则很可能到限归零
- p0Vect = log(p0Num/p0Denom)
- return p0Vect,p1Vect,pAbusive
- def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
- p1 = sum(vec2Classify * p1Vec) + log(pClass1) #element-wise mult
- p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1)
- if p1 > p0:
- return 1
- else:
- return 0
- def testingNB():
- listOPosts,listClasses = loadDataSet()
- myVocabList = createVocabList(listOPosts)
- trainMat=[]
- for postinDoc in listOPosts:
- trainMat.append(setOfWords2Vec(myVocabList, postinDoc))
- p0V,p1V,pAb = trainNB0(array(trainMat),array(listClasses))
- 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)
- def main():
- testingNB()
- if __name__ == '__main__':
- main()
来源: http://www.phpxs.com/code/1005243/