1.朴素贝叶斯案例分析
朴素贝叶斯案例分析的内容有：
- 项目概述：屏蔽社区留言板的侮辱性言论
- 项目实战：朴素贝叶斯案例的实现
数据集信息
- 朴素贝叶斯案例的数据包含6条样本，具体有3个正样本和3个负样本，标签0表示样本为正样本，标签为1表示样本为带有侮辱性的词汇。
2 项目概述
2.1 屏蔽社区留言板的侮辱性言论
- 以在线社区的留言板为例。为了不影响社区的发展，要屏蔽侮辱性的言论。
- 对此问题建立两个类别：侮辱类和非侮辱类，使用1和0分别标识.
3 项目实战
3.1 屏蔽社区留言板的侮辱性言论的具体流程
- 准备数据：从文本构建词向量
- 分析数据：统计每个样本在词库中的出现情况
- 训练算法：计算条件概率和类标签概率
- 测试算法：构建朴素贝叶斯分类器
- 使用算法：对社区留言板言论进行分类
3.3 步骤一:准备数据，从文本构建词向量
# 加载数据集
def loadDataSet():
# 切分的词条,样本集合
postingList = [['my', 'dog', 'has', 'flea', 'problems', 'help', 'please', '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']]
# 类别标签向量，1代表侮辱性词汇，0代表不是
classVec = [0, 1, 0, 1, 0, 1]
# 返回实验样本切分的词条、类别标签向量
return postingList, classVec
# 构建词汇表
def createVocabList(dataSet):
# 创建一个空的不重复列表[1,2,2,3,4,4,6,9]
# set是一个无序且不重复的元素集合[1,2,3,4,6,9]
vocabSet = set([])
# dataSet：表示样本数据，公共6个样本
for document in dataSet:
# 取并集
vocabSet = vocabSet | set(document)
return list(vocabSet)
# 根据vocabList词汇表，将inputSet向量化，向量的每个元素为1或0
def setOfWords2Vec(vocabList, inputSet):
# 创建一个其中所含元素都为0的向量
returnVec = [0] * len(vocabList) # 生成32个元素大小的向量
# 遍历每个词条
for word in inputSet:
if word in vocabList:
# 如果词条存在于词汇表中，则置1 One-hot
# index返回word出现在vocabList中的索引
# 若这里改为+=则就是基于词袋的模型，遇到一个单词会增加单词向量中德对应值
returnVec[vocabList.index(word)] = 1
else:
print("the word: %s is not in my Vocabulary" % word)
# 返回文档向量
return returnVec3.4 步骤二：计算条件概率和类标签概率
# 朴素贝叶斯分类器训练函数
def trainNB0(trainMatrix, trainCategory):
# trainMatrix 大小为6的全0或1的数据
# trainCategory 标签信息
# 计算训练文档数目
numTrainDocs = len(trainMatrix) # 6
# 计算每篇文档的词条数目
numWords = len(trainMatrix[0]) # 32
# 文档属于侮辱类的概率
pAbusive = sum(trainCategory) / float(numTrainDocs) # 0.5
# 创建numpy.zeros数组，词条出现数初始化为0
# p0Num = np.zeros(numWords)
# p1Num = np.zeros(numWords)
# 创建numpy.ones数组，词条出现数初始化为1,拉普拉斯平滑
p0Num = np.ones(numWords)
p1Num = np.ones(numWords)
# 分母初始化为0
# p0Denom = 0.0
# p1Denom = 0.0
# 分母初始化为2，拉普拉斯平滑
p0Denom = 2.0
p1Denom = 2.0
for i in range(numTrainDocs):
# p0vector = log[P(w0|1),P(w1|1),...,P(w31|1)]
# 统计属于侮辱类的条件概率所需的数据，即P(w0|1),P(w1|1),P(w2|1)...
if trainCategory[i] == 1:
# 统计所有侮辱类文档中每个单词出现的个数
p1Num += trainMatrix[i]
# 统计一共出现的侮辱单词的个数
p1Denom += sum(trainMatrix[i])
# 统计属于非侮辱类的条件概率所需的数据，即P(|0),P(w1|0),P(w2|0)...
else:
# 统计所有非侮辱类文档中每个单词出现的个数
p0Num += trainMatrix[i]
# 统计一共出现的非侮辱单词的个数
p0Denom += sum(trainMatrix[i])
# 每个侮辱类单词分别出现的概率
# p1Vect = p1Num / p1Denom
# 取对数，防止下溢出
# p1Vect = np.log(p1Num / p1Denom)
p1Vect = p1Num / p1Denom
# 每个非侮辱类单词分别出现的概率
# p0Vect = p0Num / p0Denom
# 取对数，防止下溢出
# p0Vect = np.log(p0Num / p0Denom)
p0Vect = p0Num / p0Denom
# 返回属于非侮辱类的条件概率数组、属于侮辱类的条件概率数组、文档属于侮辱类的概率
return p0Vect, p1Vect, pAbusive3.5 步骤三：构建朴素贝叶斯算法分类器
# 朴素贝叶斯分类器训练函数
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
# 对应元素相乘
# p1 = reduce(lambda x,y:x*y, vec2Classify * p1Vec) * pClass1 取对数
# p0 = reduce(lambda x,y:x*y, vec2Classify * p0Vec) * (1.0 - pClass1)
# 对应元素相乘，logA*B = logA + logB所以这里是累加
p1 = sum(vec2Classify * p1Vec) + np.log(pClass1)
p0 = sum(vec2Classify * p0Vec) + np.log(1.0 - pClass1)
# print('p0:', p0)
# print('p1:', p1)
if p1 > p0:
return 1
else:
return 03.6 步骤四:对社区留言板言论进行分类
# 测试朴素贝叶斯分类器
def testingNB():
# 创建实验样本
listOPosts, listclasses = loadDataSet() # 调用加载数据集
# listOPosts 代表了数据集
for l in listOPosts:
print(l)
print(listclasses) # 表示了标签信息
print("+++++++++++++++++++++")
# 创建词汇表,将输入文本中的不重复的单词进行提取组成单词向量
myVocabList = createVocabList(listOPosts)
print(type(myVocabList))
print(len(myVocabList))
print(myVocabList)
print("===================")
trainMat = []
for postinDoc in listOPosts:
# 将实验样本向量化若postinDoc中的单词在myVocabList出现则将returnVec该位置的索引置1
# 将6组数据list存储在trainMat中
trainMat.append(setOfWords2Vec(myVocabList, postinDoc))
for i in trainMat:
print(i)
# # 训练朴素贝叶斯分类器
# p0V表示非侮辱类的概率数组
# pAb表示侮辱类的概率值
p0V, p1V, pAb = trainNB0(np.array(trainMat), np.array(listclasses))
print(p0V, 1 - pAb)
print("+++++++++++++++")
print(p1V, pAb)
# # 测试样本1
# """
# 1. 测试样本数据
# 2. 把测试数据转化为对应的词向量表示[32]
# 3. 代入预测函数[32]*[每个单词的权重，32]
# """
testEntry = ['love', 'my', 'dalmation'] # 测试样本
# 测试样本向量化返回这三个单词出现位置的索引
thisDoc = np.array(setOfWords2Vec(myVocabList, testEntry)) # 把测试集转化成了向量
if classifyNB(thisDoc, p0V, p1V, pAb):
# 执行分类并打印结果
print(testEntry, '属于侮辱类')
else:
# 执行分类并打印结果
print(testEntry, '属于非侮辱类')
# 测试样本2
testEntry = ['stupid', 'garbage']
# 将实验样本向量化
thisDoc = np.array(setOfWords2Vec(myVocabList, testEntry))
if classifyNB(thisDoc, p0V, p1V, pAb):
# 执行分类并打印结果
print(testEntry, '属于侮辱类')
else:
# 执行分类并打印结果
print(testEntry, '属于非侮辱类')3.6 运行结果
- [‘love’, ‘my’, ‘dalmation’] 属于非侮辱类
- [‘stupid’, ‘garbage’] 属于侮辱类
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
