你要的答案或许都在这里：小鹏的博客目录
上一篇介绍了朴素贝叶斯的原理：MachineLN之朴素贝叶斯
下面为源码：
from numpy import *
# 构建一个简单的文本数据集， 包含两个类别。
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
# 通过所有样本， 创建词典列表； 用于后面的词转向量。
def createVocabList(dataSet):
# 构建一个空的集合
vocabSet = set([]) #create empty set
# 遍历样本集中的所有样本。
for document in dataSet:
# 取集合的并集。
vocabSet = vocabSet | set(document) #union of the two sets
# 集合转列表。
return list(vocabSet)
# 词转向量。 此处将每一个样本转成一个向量。
def setOfWords2Vec(vocabList, inputSet):
# 创建一个和词典长度相同 全为0的向量， 用于样本的词再词典中出现，则词典中的相应位置值为1。
returnVec = [0]*len(vocabList)
# 遍历一个样本中的所有词。
for word in inputSet:
# 如果该词出现再字典中，对应位置1。
if word in vocabList:
returnVec[vocabList.index(word)] = 1
else: print "the word: %s is not in my Vocabulary!" % word
return returnVec
# 进行训练， 这里就是计算： 条件概率 和 先验概率
def trainNB0(trainMatrix,trainCategory):
# 计算总的样本数量
numTrainDocs = len(trainMatrix)
# 计算样本向量化后的长度， 这里等于词典长度。
numWords = len(trainMatrix[0])
# 计算先验概率
pAbusive = sum(trainCategory)/float(numTrainDocs)
# 进行初始化， 用于向量化后的样本 累加， 为什么初始化1不是全0， 防止概率值为0.
p0Num = ones(numWords); p1Num = ones(numWords) #change to ones()
# 初始化求条件概率的分母为2， 防止出现0，无法计算的情况。
p0Denom = 2.0; p1Denom = 2.0 #change to 2.0
# 遍历所有向量化后的样本， 并且每个向量化后的长度相等， 等于词典长度。
for i in range(numTrainDocs):
# 统计标签为1的样本： 向量化后的样本的累加， 样本中1总数的求和， 最后相除取log就是条件概率。
if trainCategory[i] == 1:
p1Num += trainMatrix[i]
p1Denom += sum(trainMatrix[i])
# 统计标签为0的样本： 向量化后的样本累加， 样本中1总数的求和， 最后相除取log就是条件概率。
else:
p0Num += trainMatrix[i]
p0Denom += sum(trainMatrix[i])
# 求条件概率。
p1Vect = log(p1Num/p1Denom) #change to log()
p0Vect = log(p0Num/p0Denom) #change to log()
# 返回条件概率 和 先验概率
return p0Vect,p1Vect,pAbusive
# 通过条件概率 和 先验概率 对新的样本进行向量化后分类。
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
# 向量化后的样本 分别 与 各类别的条件概率相乘 加上 先验概率取log， 之后进行大小比较， 输出类别。
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
# 通过所有样本， 创建词典列表； 用于后面的词转向量。
def bagOfWords2VecMN(vocabList, inputSet):
returnVec = [0]*len(vocabList)
for word in inputSet:
if word in vocabList:
returnVec[vocabList.index(word)] += 1
return returnVec
# 测试程序
def testingNB():
# 生成训练样本 和 标签
listOPosts,listClasses = loadDataSet()
# 创建词典
myVocabList = createVocabList(listOPosts)
# 用于保存样本转向量之后的
trainMat=[]
# 遍历每一个样本， 转向量后， 保存到列表中。
for postinDoc in listOPosts:
trainMat.append(setOfWords2Vec(myVocabList, postinDoc))
# 计算 条件概率 和 先验概率
p0V,p1V,pAb = trainNB0(array(trainMat),array(listClasses))
# 给定测试样本 进行测试
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)
# 将字符串中的词 转成列表
def textParse(bigString): #input is big string, #output is word list
import re
listOfTokens = re.split(r'\W*', bigString)
return [tok.lower() for tok in listOfTokens if len(tok) > 2]
# 垃圾邮件分类的代码
def spamTest():
# 存放转列表后的样本，用于创建词典。存放给定的标签值。
docList=[]; classList = []; fullText =[]
# 从26个文件中读取邮件内容。
for i in range(1,26):
# 从每个文件中读取内容，将字符转为列表
wordList = textParse(open('email/spam/%d.txt' % i).read())
docList.append(wordList)
fullText.extend(wordList)
# 设定标签
classList.append(1)
# 从每个文件中读取内容，将字符转为列表
wordList = textParse(open('email/ham/%d.txt' % i).read())
docList.append(wordList)
fullText.extend(wordList)
# 设定标签
classList.append(0)
# 根据处理后的样本数据创建词典
vocabList = createVocabList(docList)#create vocabulary
# 设定训练样本 和 测试样本的 索引
trainingSet = range(50); testSet=[] #create test set
for i in range(10):
randIndex = int(random.uniform(0,len(trainingSet)))
testSet.append(trainingSet[randIndex])
del(trainingSet[randIndex])
trainMat=[]; trainClasses = []
# 获取训练样本 和 标签， 将样本通过词典转为向量。
for docIndex in trainingSet:#train the classifier (get probs) trainNB0
trainMat.append(bagOfWords2VecMN(vocabList, docList[docIndex]))
trainClasses.append(classList[docIndex])
# 计算条件概率 和 先验概率
p0V,p1V,pSpam = trainNB0(array(trainMat),array(trainClasses))
errorCount = 0
# 获取测试样本， 并将测试样本转为向量。
for docIndex in testSet: #classify the remaining items
wordVector = bagOfWords2VecMN(vocabList, docList[docIndex])
# 预测类别， 并且计算预测错误的数量
if classifyNB(array(wordVector),p0V,p1V,pSpam) != classList[docIndex]:
errorCount += 1
print "classification error",docList[docIndex]
print 'the error rate is: ',float(errorCount)/len(testSet)
#return vocabList,fullText
# 统计词典中的各词在样本中的数量， 进行排序，只取前30个。
def calcMostFreq(vocabList,fullText):
import operator
freqDict = {}
# 遍历字典中的所有词
for token in vocabList:
# 获取每个词出现的次数
freqDict[token]=fullText.count(token)
# 进行排序， 只取出现次数最多的前30个
sortedFreq = sorted(freqDict.iteritems(), key=operator.itemgetter(1), reverse=True)
return sortedFreq[:30]
# 下面代码基本和上面重复。
def localWords(feed1,feed0):
import feedparser
docList=[]; classList = []; fullText =[]
minLen = min(len(feed1['entries']),len(feed0['entries']))
for i in range(minLen):
wordList = textParse(feed1['entries'][i]['summary'])
docList.append(wordList)
fullText.extend(wordList)
classList.append(1) #NY is class 1
wordList = textParse(feed0['entries'][i]['summary'])
docList.append(wordList)
fullText.extend(wordList)
classList.append(0)
vocabList = createVocabList(docList)#create vocabulary
top30Words = calcMostFreq(vocabList,fullText) #remove top 30 words
for pairW in top30Words:
if pairW[0] in vocabList: vocabList.remove(pairW[0])
trainingSet = range(2*minLen); testSet=[] #create test set
for i in range(20):
randIndex = int(random.uniform(0,len(trainingSet)))
testSet.append(trainingSet[randIndex])
del(trainingSet[randIndex])
trainMat=[]; trainClasses = []
for docIndex in trainingSet:#train the classifier (get probs) trainNB0
trainMat.append(bagOfWords2VecMN(vocabList, docList[docIndex]))
trainClasses.append(classList[docIndex])
p0V,p1V,pSpam = trainNB0(array(trainMat),array(trainClasses))
errorCount = 0
for docIndex in testSet: #classify the remaining items
wordVector = bagOfWords2VecMN(vocabList, docList[docIndex])
if classifyNB(array(wordVector),p0V,p1V,pSpam) != classList[docIndex]:
errorCount += 1
print 'the error rate is: ',float(errorCount)/len(testSet)
return vocabList,p0V,p1V
# 显示每个类别的常用词
def getTopWords(ny,sf):
import operator
vocabList,p0V,p1V=localWords(ny,sf)
topNY=[]; topSF=[]
# 选择条件概率大于 -6.0 的，保存下来， 排序后打印。
for i in range(len(p0V)):
if p0V[i] > -6.0 : topSF.append((vocabList[i],p0V[i]))
if p1V[i] > -6.0 : topNY.append((vocabList[i],p1V[i]))
sortedSF = sorted(topSF, key=lambda pair: pair[1], reverse=True)
print "SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**"
for item in sortedSF:
print item[0]
sortedNY = sorted(topNY, key=lambda pair: pair[1], reverse=True)
print "NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**"
for item in sortedNY:
print item[0]
推荐阅读：
