樸素貝葉斯演算法的python實現

演算法優缺點

優點：在資料較少的情況下依然有效，可以處理多類別問題

缺點：對輸入資料的準備方式敏感

適用資料類型：標稱型資料

演算法思想：

樸素貝葉斯

比如我們想判斷一個郵件是不是垃圾郵件，那麼我們知道的是這個郵件中的詞的分布，那麼我們還要知道：垃圾郵件中某些詞的出現是多少，就可以利用貝葉斯定理得到。

樸素貝葉斯分類器中的一個假設是：每個特徵同等重要

貝葉斯分類是一類分類演算法的總稱，這類演算法均以貝葉斯定理為基礎，故統稱為貝葉斯分類。

函數

loadDataSet()

建立資料集，這裡的資料集是已經拆分好的單片語成的句子，表示的是某論壇的使用者評論，標籤1表示這個是罵人的

createVocabList(dataSet)

找出這些句子中總共有多少單詞，以確定我們詞向量的大小

setOfWords2Vec(vocabList, inputSet)

將句子根據其中的單詞轉成向量，這裡用的是伯努利模型，即只考慮這個單詞是否存在

bagOfWords2VecMN(vocabList, inputSet)

這個是將句子轉成向量的另一種模型，多項式模型，考慮某個詞的出現次數

trainNB0(trainMatrix,trainCatergory)

計算P(i)和P(w[i]|C[1])和P(w[i]|C[0])，這裡有兩個技巧，一個是開始的分子分母沒有全部初始化為0是為了防止其中一個的機率為0導致整體為0，另一個是後面乘用對數防止因為精度問題結果為0

classifyNB(vec2Classify, p0Vec, p1Vec, pClass1)

根據貝葉斯公式計算這個向量屬於兩個集合中哪個的機率高

#coding=utf-8from 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#建立一個帶有所有單詞的列表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#另一種模型    def bagOfWords2VecMN(vocabList, inputSet):    returnVec = [0]*len(vocabList)    for word in inputSet:        if word in vocabList:            returnVec[vocabList.index(word)] += 1    return returnVecdef trainNB0(trainMatrix,trainCatergory):    numTrainDoc = len(trainMatrix)    numWords = len(trainMatrix[0])    pAbusive = sum(trainCatergory)/float(numTrainDoc)    #防止多個機率的成績當中的一個為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)#處於精度的考慮，否則很可能到限歸零    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()

