朴素贝叶斯

 

贝叶斯公式：p（B|C）=p（C|B）*P（B）/P（C）

用伯努利算法，就是适用于0或者1，也就是给出是或者不是，B就是“是”或者“不是”，C是个集合，就代表各种原因。

所以P（B|c1c2c3...）=p（c1*c2*c3..|B）*p（B）/p（c1c2c3.....）的概率。

好了

下面开始训练。

给出样本

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

这6个样本里吧，肯定有重复的单词，找个函数，把不重复的记录到列表中，肯定用set（）函数

def createVocabList(dataSet):
    vocabSet = set([])  #create empty set
    for document in dataSet:
        vocabSet = vocabSet | set(document) #union of the two sets，这里用了一个并集
    return list(vocabSet)

上面这个函数，返回了有多少个不重复的单词。上面运行结果有32个不重复的，下面这个函数，结果是创建了【0.0.1.0.0.0.0.........】，这里比较难理解的是，你传入一行

['my', 'dog', 'has', 'flea', 'problems', 'help', 'please']，然后再returnVec中都是【0.0.0.0.....】，然后遍历找到你传入的input里的所有单词的位置，并且把0变成1

def setOfWords2Vec(vocabList, inputSet):
    returnVec = [0]*len(vocabList)#变成相量，
    for word in inputSet:#如果
        if word in vocabList:
            returnVec[vocabList.index(word)] = 1
        else: print "the word: %s is not in my Vocabulary!" % word
    return returnVec

下面这个函数就是开始算P（c1c2c3....|B）,B为是或者不是

def trainNB0(trainMatrix,trainCategory):#传入处理过的数据，传入对应的0，1值
    numTrainDocs = len(trainMatrix)#得到6
    numWords = len(trainMatrix[0])#这一行有32个，
    pAbusive = sum(trainCategory)/float(numTrainDocs)#这个是不符合的1所有的相加/总数，就是3/6tr
    p0Num = ones(numWords); p1Num = ones(numWords)      #change to ones() （创建默认都为1,因为语法问题，如果多个小数相乘，最后取出约等于0）
    p0Denom = 2.0; p1Denom = 2.0                        #change to 2.0
    for i in range(numTrainDocs):#遍历6行，如果这个是1（不是），则把它归到p1Num，然后把它们相量相加，如果为0，则归为p0num，然后相量相加，在这里最终p0num为1，3，5的trainMatrix
        if trainCategory[i] == 1:#对应的相加
            p1Num += trainMatrix[i]
            p1Denom += sum(trainMatrix[i])（为所有在“不是”里出现的个数的总和）
        else:
            p0Num += trainMatrix[i]
            p0Denom += sum(trainMatrix[i])（为所有在“是”里出现的个数的总和）
    p1Vect = log(p1Num/p1Denom) （p1为各单词在侮辱（“不是”）的概率，这还是【32】的一行的数字）         #change to log()
    p0Vect = log(p0Num/p0Denom)  （同理）        #change to log()
    return p0Vect,p1Vect,pAbusive

　　好了，接下来就该正式统计概率了，也就是贝叶斯公式，你传入一个要测试的值，然后传入你训练出来的 侮辱性（“不是”）所对应的概率，非侮辱（“是”）所对应的概率，和训练得出的侮辱总P（B）

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

　　下面是总函数流程，首先划分数据，得到词汇表，然后得到词汇表在0和1所对应的概率，然后输入测试的数据。

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)

数据变化的流程图

本文仅作作者自己的笔记....有问题欢迎指导。。。