1.文本切分和创建词汇表(词汇表就是将训练集中所有出现过的不同的单词全部集中到一起)
# -*- coding: UTF-8 -*-
import re
"""
函数说明:接收一个大字符串并将其解析为字符串列表
Parameters:
无
Returns:
无
"""
def textParse(bigString): # 定义字符串分割函数,参数为需要分割的大字符串
listOfTokens = re.split(r'\W+', bigString) # 将大的字符串组转化成字符串列表,提取出来大小写字母,数字
return [tok.lower() for tok in listOfTokens if len(tok) > 2] # 将字符串列表中大写字母转化成小写字母,除了单个字母,例如大写的I,其它单词变成小写
"""
函数说明:将切分的实验样本词条整理成不重复的词条列表,也就是词汇表
Parameters:
dataSet - 整理的样本数据集
Returns:
vocabSet - 返回不重复的词条列表,也就是词汇表
"""
def createVocabList(dataSet):
vocabSet = set([]) #创建一个空的不重复列表
for document in dataSet:
vocabSet = vocabSet | set(document) #取并集
return list(vocabSet)
if __name__ == '__main__':
docList = []; classList = []
for i in range(1, 26): #遍历??个txt文件 #遍历25个txt文件,准确为50个
wordList = textParse(open('bayes_email/spam/%d.txt' % i, encoding='ISO-8859-1').read()) # 将每个文件所有字符当成大字符串,之后分割成列表
docList.append(wordList)
classList.append(1) #标记垃圾邮件,1表示??? #1表示为垃圾邮件
wordList = textParse(open('bayes_email/ham/%d.txt' % i, encoding='ISO-8859-1').read()) #读取每个非垃圾邮件,并字符串转换成字符串列表
docList.append(wordList)
classList.append(0) #标记非垃圾邮件,0表示???# 0表示为非垃圾邮件
vocabList = createVocabList(docList) #创建词汇表,不重复
print(vocabList)
2. 将每个垃圾邮件信息转化成向量,向量的长度等于词汇表的长度(如果一条邮件中包含词汇表中的单词,那么就把这个词汇表向量对应单词的索引位置变成1),这里有两种向量化的方法,第一种是词集模型,就是我上述说的那样,第二种是词袋模型,他是在上面的基础上,增加了词汇出现的个数(如new这个单词出现了两次,之后向量对应位置的值就不是1了而是2,出现更多次以此类推),原理上更说的通来了,但是增加了复杂性,特别是在进行拉普拉斯平滑的时候,无法操作,两种向量化的方式的具体代码如下:
"""
函数说明:根据vocabList词汇表,将inputSet向量化,向量的每个元素为1或0
Parameters:
vocabList - createVocabList返回的列表
inputSet - 切分的词条列表
Returns:
returnVec - 文档向量,词集模型
"""
def setOfWords2Vec(vocabList, inputSet):
returnVec = [0] * len(vocabList) #创建一个其中所含元素都为0的向量
for word in inputSet: #遍历每个词条
if word in vocabList: #如果词条存在于词汇表中,则置1
returnVec[vocabList.index(word)] = 1
else: print("the word: %s is not in my Vocabulary!" % word)
return returnVec #返回文档向量
"""
函数说明:根据vocabList词汇表,构建词袋模型
Parameters:
vocabList - createVocabList返回的列表
inputSet - 切分的词条列表
Returns:
returnVec - 文档向量,词袋模型
"""
def bagOfWords2VecMN(vocabList, inputSet):
returnVec = [0]*len(vocabList) #创建一个其中所含元素都为0的向量
for word in inputSet: #遍历每个词条
if word in vocabList: #如果词条存在于词汇表中,则计数加一
returnVec[vocabList.index(word)] += 1
return returnVec #返回词袋模型
3.接下来就是创建贝叶斯训练模型,求出先验概率,各种类条件概率
这里想说的一点是拉普拉斯平滑,就是说在计算类条件概率的时候,把所有的特征都加a(一般是1),分母加上该特征可能出现类别数(如颜色可能是 红绿蓝,就加3)
"""
函数说明:朴素贝叶斯分类器训练函数
Parameters:
trainMatrix - 训练文档矩阵,即setOfWords2Vec返回的returnVec构成的矩阵
trainCategory - 训练类别标签向量,即loadDataSet返回的classVec
Returns:
p0Vect - 非侮辱类的条件概率数组
p1Vect - 侮辱类的条件概率数组
pAbusive - 文档属于侮辱类的概率
"""
def trainNB0(trainMatrix,trainCategory):
numTrainDocs = len(trainMatrix) #计算训练的文档数目
numWords = len(trainMatrix[0]) #计算每篇文档的词条数
pAbusive = sum(trainCategory)/float(numTrainDocs) # 计算不是垃圾邮件的先验概率
p0Num = np.ones(numWords); p1Num = np.ones(numWords) #创建numpy.ones数组,词条出现数初始化为1,拉普拉斯平滑
p0Denom = 2.0; p1Denom = 2.0 #分母初始化为2,拉普拉斯平滑
for i in range(numTrainDocs):
if trainCategory[i] == 1: #如果不是垃圾邮件,不是垃圾邮件的那个特征组++,非垃圾邮件总个数++
p1Num += trainMatrix[i]
p1Denom += trainCategory[i] #sum(trainMatrix[i])
else: #如果是垃圾邮件,是垃圾邮件的那个对应特征组++,垃圾邮件总个数++
p0Num += trainMatrix[i]
p0Denom += 1#trainCategory[i]#sum(trainMatrix[i])
p1Vect = np.log(p1Num/p1Denom) #取对数,防止下溢出
p0Vect = np.log(p0Num/p0Denom)
return p0Vect,p1Vect,pAbusive #返回??? #返回不是垃圾邮件的先验概率,垃圾邮件的条件概率数组,非垃圾邮件的条件概率数组
4.接下来是进行分类的函数
"""
函数说明:朴素贝叶斯分类器分类函数
Parameters:
vec2Classify - 待分类的词条数组
p0Vec - 非侮辱类的条件概率数组
p1Vec -侮辱类的条件概率数组
pClass1 - 文档属于侮辱类的概率
Returns:
0 - 属于非侮辱类
1 - 属于侮辱类
"""
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
p1 = sum(vec2Classify * p1Vec) + np.log(pClass1) #对应元素相乘。logA * B = logA + logB,所以这里加上log(pClass1)
p0 = sum(vec2Classify * p0Vec) + np.log(1.0 - pClass1)
if p1 > p0:
return 1
else:
return 0
5.最后是将全部的代码整合到一起
"""
函数说明:测试朴素贝叶斯分类器
Parameters:
无
Returns:
无
"""
def spamTest():
docList = []; classList = []; fullText = []
for i in range(1, 26): #遍历25个txt文件
wordList = textParse(open('bayes_email/spam/%d.txt' % i, encoding='ISO-8859-1').read()) #读取每个垃圾邮件,并字符串转换成字符串列表
docList.append(wordList) #解释append函数,将垃圾邮件列表填入总列表中,以便获取词汇表
fullText.append(wordList)
classList.append(1) #标记垃圾邮件,1表示垃圾文件
wordList = textParse(open('bayes_email/ham/%d.txt' % i, encoding='ISO-8859-1').read()) #读取每个非垃圾邮件,并字符串转换成字符串列表
docList.append(wordList)
fullText.append(wordList)
classList.append(0) #标记非垃圾邮件,0表示非垃圾邮件,请填写此句
vocabList = createVocabList(docList) #创建词汇表,不重复
trainingSet = list(range(50)); testSet = [] #创建存储训练集的索引值的列表和测试集的索引值的列表
for i in range(10): #从50个邮件中,随机挑选出??个作为训练集,??个做测试集
randIndex = int(random.uniform(0, len(trainingSet))) #随机选取索索引值
testSet.append(trainingSet[randIndex]) #添加测试集的索引值
del(trainingSet[randIndex]) #在训练集列表中删除添加到测试集的索引值
trainMat = []; trainClasses = [] #创建训练集矩阵和训练集类别标签系向量
for docIndex in trainingSet: #遍历训练集
trainMat.append(setOfWords2Vec(vocabList, docList[docIndex])) # 将一个文本特征转化成向量并添加到trainMat中
trainClasses.append(classList[docIndex]) #将类别添加到训练集类别标签系向量中
p0V, p1V, pSpam = trainNB0(np.array(trainMat), np.array(trainClasses)) #解释trainNBo函数中两个参数的含义,第一个参数特征矩阵,每行表示一个特征,列数表示训练集的个数,第二个参数是标签矩阵,表示该样本是垃圾邮件还是非垃圾邮件
errorCount = 0 #错误分类计数
for docIndex in testSet: #遍历测试集
wordVector = setOfWords2Vec(vocabList, docList[docIndex]) #测试集的词集模型
if classifyNB(np.array(wordVector), p0V, p1V, pSpam) != classList[docIndex]: #如果分类错误
errorCount += 1 #错误计数加1
print("分类错误的测试集:",docList[docIndex])
#用print输出错误率,请填写此句
if __name__ == '__main__':
spamTest()