python编写朴素贝叶斯用于文本分类

作者:开贰锤 时间:2022-01-29 18:45:51 

朴素贝叶斯估计

朴素贝叶斯是基于贝叶斯定理与特征条件独立分布假设的分类方法。首先根据特征条件独立的假设学习输入/输出的联合概率分布,然后基于此模型,对给定的输入x,利用贝叶斯定理求出后验概率最大的输出y。
具体的,根据训练数据集,学习先验概率的极大似然估计分布

python编写朴素贝叶斯用于文本分类

以及条件概率为

python编写朴素贝叶斯用于文本分类

Xl表示第l个特征,由于特征条件独立的假设,可得

python编写朴素贝叶斯用于文本分类

条件概率的极大似然估计为

python编写朴素贝叶斯用于文本分类

根据贝叶斯定理

python编写朴素贝叶斯用于文本分类

则由上式可以得到条件概率P(Y=ck|X=x)。

贝叶斯估计

用极大似然估计可能会出现所估计的概率为0的情况。后影响到后验概率结果的计算,使分类产生偏差。采用如下方法解决。
条件概率的贝叶斯改为

python编写朴素贝叶斯用于文本分类

其中Sl表示第l个特征可能取值的个数。
同样,先验概率的贝叶斯估计改为

$$
P(Y=c_k) = \frac{\sum\limits_{i=1}^NI(y_i=c_k)+\lambda}{N+K\lambda}
$K$

表示Y的所有可能取值的个数,即类型的个数。
具体意义是,给每种可能初始化出现次数为1,保证每种可能都出现过一次,来解决估计为0的情况。

文本分类

朴素贝叶斯分类器可以给出一个最有结果的猜测值,并给出估计概率。通常用于文本分类。
分类核心思想为选择概率最大的类别。贝叶斯公式如下:

python编写朴素贝叶斯用于文本分类

词条:将每个词出现的次数作为特征。
假设每个特征相互独立,即每个词相互独立,不相关。则

python编写朴素贝叶斯用于文本分类

完整代码如下;


import numpy as np
import re
import feedparser
import operator
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

def createVocabList(data): #创建词向量
returnList = set([])
for subdata in data:
 returnList = returnList | set(subdata)
return list(returnList)

def setofWords2Vec(vocabList,data):  #将文本转化为词条

returnList = [0]*len(vocabList)
for vocab in data:
 if vocab in vocabList:
  returnList[vocabList.index(vocab)] += 1
return returnList

def trainNB0(trainMatrix,trainCategory):  #训练,得到分类概率
pAbusive = sum(trainCategory)/len(trainCategory)
p1num = np.ones(len(trainMatrix[0]))
p0num = np.ones(len(trainMatrix[0]))
p1Denom = 2
p0Denom = 2
for i in range(len(trainCategory)):
 if trainCategory[i] == 1:
  p1num = p1num + trainMatrix[i]
  p1Denom = p1Denom + sum(trainMatrix[i])
 else:
  p0num = p0num + trainMatrix[i]
  p0Denom = p0Denom + sum(trainMatrix[i])
p1Vect = np.log(p1num/p1Denom)
p0Vect = np.log(p0num/p0Denom)
return p0Vect,p1Vect,pAbusive

def classifyNB(vec2Classify,p0Vec,p1Vec,pClass1): #分类
p0 = sum(vec2Classify*p0Vec)+np.log(1-pClass1)
p1 = sum(vec2Classify*p1Vec)+np.log(pClass1)
if p1 > p0:
 return 1
else:
 return 0
def textParse(bigString):   #文本解析
splitdata = re.split(r'\W+',bigString)
splitdata = [token.lower() for token in splitdata if len(token) > 2]
return splitdata
def spamTest():
docList = []
classList = []
for i in range(1,26):
 with open('spam/%d.txt'%i) as f:
  doc = f.read()
 docList.append(doc)
 classList.append(1)
 with open('ham/%d.txt'%i) as f:
  doc = f.read()
 docList.append(doc)
 classList.append(0)
vocalList = createVocabList(docList)
trainList = list(range(50))
testList = []
for i in range(13):
 num = int(np.random.uniform(0,len(docList))-10)
 testList.append(trainList[num])
 del(trainList[num])
docMatrix = []
docClass = []
for i in trainList:
 subVec = setofWords2Vec(vocalList,docList[i])
 docMatrix.append(subVec)
 docClass.append(classList[i])
p0v,p1v,pAb = trainNB0(docMatrix,docClass)
errorCount = 0
for i in testList:
 subVec = setofWords2Vec(vocalList,docList[i])
 if classList[i] != classifyNB(subVec,p0v,p1v,pAb):
  errorCount += 1
return errorCount/len(testList)

def calcMostFreq(vocabList,fullText):
count = {}
for vocab in vocabList:
 count[vocab] = fullText.count(vocab)
sortedFreq = sorted(count.items(),key=operator.itemgetter(1),reverse=True)
return sortedFreq[:30]

def localWords(feed1,feed0):
docList = []
classList = []
fullText = []
numList = min(len(feed1['entries']),len(feed0['entries']))
for i in range(numList):
 doc1 = feed1['entries'][i]['summary']
 docList.append(doc1)
 classList.append(1)
 fullText.extend(doc1)
 doc0 = feed0['entries'][i]['summary']
 docList.append(doc0)
 classList.append(0)
 fullText.extend(doc0)
vocabList = createVocabList(docList)
top30Words = calcMostFreq(vocabList,fullText)
for word in top30Words:
 if word[0] in vocabList:
  vocabList.remove(word[0])
trainingSet = list(range(2*numList))
testSet = []
for i in range(20):
 randnum = int(np.random.uniform(0,len(trainingSet)-5))
 testSet.append(trainingSet[randnum])
 del(trainingSet[randnum])
trainMat = []
trainClass = []
for i in trainingSet:
 trainClass.append(classList[i])
 trainMat.append(setofWords2Vec(vocabList,docList[i]))
p0V,p1V,pSpam = trainNB0(trainMat,trainClass)
errCount = 0
for i in testSet:
 testData = setofWords2Vec(vocabList,docList[i])
 if classList[i] != classifyNB(testData,p0V,p1V,pSpam):
  errCount += 1
return errCount/len(testData)
if __name__=="__main__":
ny = feedparser.parse('http://newyork.craigslist.org/stp/index.rss')
sf = feedparser.parse('http://sfbay.craigslist.org/stp/index.rss')
print(localWords(ny,sf))

编程技巧:

1.两个集合的并集

vocab = vocab | set(document)

2.创建元素全为零的向量

vec = [0]*10

代码及数据集下载:贝叶斯

来源:http://blog.csdn.net/weixin_37895339/article/details/78419763

标签:python,朴素贝叶斯,文本分类
0
投稿

猜你喜欢

  • Python下的Softmax回归函数的实现方法(推荐)

    2022-02-13 10:42:17
  • Python 如何将integer转化为罗马数(3999以内)

    2023-01-19 12:46:51
  • WINDOWS 同时安装 python2 python3 后 pip 错误的解决方法

    2023-07-01 11:01:00
  • Python3.5 Pandas模块之Series用法实例分析

    2022-07-23 16:19:09
  • 用Python给文本创立向量空间模型的教程

    2021-07-13 17:06:41
  • python中Requests发送json格式的post请求方法

    2021-05-24 10:09:45
  • 如何使用python数据处理解决数据冲突和样本的选取

    2021-02-10 11:47:45
  • 菜鸟来看看:制作个人主页有诀窍

    2007-10-05 09:03:00
  • Python字符串中查找子串小技巧

    2022-04-16 10:58:04
  • 利用Python库Scapy解析pcap文件的方法

    2021-07-26 12:59:01
  • python实现图像最近邻插值

    2023-02-01 00:03:34
  • Python中的左斜杠、右斜杠(正斜杠和反斜杠)

    2022-02-08 07:00:34
  • python网络编程学习笔记(五):socket的一些补充

    2022-02-03 23:22:48
  • Asp教程:Response对象

    2007-10-01 18:08:00
  • ASP写的汉字转换为UTF-8的一段代码

    2009-07-05 18:49:00
  • Python实现批量绘制遥感影像数据的直方图

    2023-09-04 10:35:53
  • [奇招] JS暴虐查找算法

    2008-07-06 21:17:00
  • python实现人机对战的五子棋游戏

    2021-07-05 04:36:03
  • ServerXMLHTTP的setTimeouts超时设置

    2010-01-02 20:38:00
  • python利用7z批量解压rar的实现

    2021-05-02 18:58:31
  • asp之家 网络编程 m.aspxhome.com