樸素貝葉斯的概率理論及其python程式碼實現文字分類的例項
一：樸素貝葉斯是一種基於概率分佈進行分類的方法，概率論是樸素貝葉斯的基礎，之所以被稱為樸素，而不是貝葉斯就是因為它在貝葉斯的基礎上，增添了兩個條件，一個是各特徵之間相互獨立，第二是每個特徵同等重要。樸素貝葉斯在資料很小的情況下仍然有效，可以處理多分類問題，但是對輸入資料的準備方式較為敏感，主要用於標稱性資料。
二：樸素貝葉斯的思想：對於給出的待分類項，求解在此項出現的條件下各個類別出現的概率，哪個最大，就認為此待分類項屬於哪個類別。通俗來說，就好比這麼個道理，你在街上看到一個黑人，我問你你猜這哥們哪裡來的，你十有八九猜非洲。為什麼呢？因為黑人中非洲人的比率最高，當然人家也可能是美洲人或亞洲人，但在沒有其它可用資訊下，我們會選擇條件概率最大的類別，這就是樸素貝葉斯的思想基礎。
三：樸素貝葉斯的一些概率公式就不羅列了，很重要，但自己去查一下看看，只有那些條件概率公式真正弄明白了你才知道樸素貝葉斯是如何進行分類的，才能真正的理解。
四：我接下來將會給出很多地方都出現的一個文字分類的例項，不得不說樸素貝葉斯在處理文字分類上效果的確是好。
# _*_ coding:utf-8 _*_
from numpy import *
import re
import random
def loadDataSet(): #建立樣例資料
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代表髒話
return postingList, classVec
def createVocabList(dataSet): #建立詞庫 這裡就是直接把所有詞去重後，當作詞庫
vocabSet = set([])
for document in dataSet:
vocabSet = vocabSet | set(document)#這裡用到了set是為了讓其不能存在重複的
return list(vocabSet)
def setOfWords2Vec(vocabList, inputSet): #文字詞向量。詞庫中每個詞當作一個特徵，文字中就該詞，該詞特徵就是1，沒有就是0
returnVec = [0] * len(vocabList)
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
def trainNB0(trainMatrix, trainCategory):
numTrainDocs = len(trainMatrix)
numWords = len(trainMatrix[0])
pAbusive = sum(trainCategory) / float(numTrainDocs)
p0Num = ones(numWords) #防止某個類別計算出的概率為0，導致最後相乘都為0，所以初始詞都賦值1，分母賦值為2.
p1Num = ones(numWords)
p0Denom = 2
p1Denom = 2
for i in range(numTrainDocs):
if trainCategory[i] == 1:
p1Num += trainMatrix[i]
p1Denom += sum(trainMatrix[i])
else:
p0Num += trainMatrix[i]
p0Denom += sum(trainMatrix[i])
p1Vect = log(p1Num / p1Denom) #這裡使用了Log函式，方便計算，因為最後是比較大小，所有對結果沒有影響。
p0Vect = log(p0Num / p0Denom)
return p0Vect, p1Vect, pAbusive
def classifyNB(vec2Classify,p0Vec,p1Vec,pClass1): #比較概率大小進行判斷，
p1 = sum(vec2Classify*p1Vec)+log(pClass1)
p0 = sum(vec2Classify*p0Vec)+log(1-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','batch','fuck'] # 測試資料
thisDoc = array(setOfWords2Vec(myVocabList, testEntry))
print(testEntry,'classified as: ',classifyNB(thisDoc,p0V,p1V,pAb))
testEntry = ['stupid', 'garbage','love','like'] # 測試資料
thisDoc = array(setOfWords2Vec(myVocabList, testEntry))
print(testEntry,'classified as: ',classifyNB(thisDoc,p0V,p1V,pAb))
if __name__=='__main__':
testingNB()
建立一個python的指令碼，然後執行一下即可，注意我們在測試時可以隨意的新增測試資料，但必須保證所新增的資料都是來自我們的vocallist中的。