共计 3513 个字符，预计需要花费 9 分钟才能阅读完成。
由于近期学业繁重 QAQ，所以我就不说废话了，直接上代码~
用朴素贝叶斯进行词汇分类
代码
from numpy import *
# 词表到向量的转换
#创建实验样本，返回的是进行词条切分后的文档集合，
#还有一个类别标签——侮辱性的 or 非侮辱性的
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’]]
#1 代表侮辱性文字 0 代表正常言论
classVec = [0,1,0,1,0,1]
return postingList,classVec
# 创建一个包含在所有文档中出现的不重复的词的列表
def createVocabList(dataSet):
vocabSet=set([])
#document:[‘my’, ‘dog’, ‘has’, ‘flea’, ‘problems’, ‘help’, ‘please’]
for document in dataSet:
#求并集
vocabSet=vocabSet|set(document)
#print(vocabSet)
return list(vocabSet)
# 参数为词汇表以及某个文档，输出的是文档向量
#输出的向量的每一个元素为 1 或 0，表示词汇表中
#的单词在输入文档中是否出现
def setOfWords2Vec(vocabList,inputSet):
#创建一个所含元素都为 0 的向量
returnVec=[0]*len(vocabList)
#遍历文档中的所有单词，如果出现了词汇表中的单词，
#则将输出文档的对应值设为 1
for word in inputSet:
if word in vocabList:
returnVec[vocabList.index(word)]=1
else:
print(“the word: %s is not in my Vocabulary!”%word)
return returnVec
# 输入的参数：文档矩阵 trainMatrix
#由每篇文档类别标签构成的向量 trainCategory
#朴素贝叶斯分类器训练函数
#trainMatrix: 每个词向量中的词，在词汇表中出现的就是 1
#trainMatrix:[[0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0],
#[0, 1, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 1, 0, 0, 0],
#[1, 0, 1, 1, 1, 1, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0],
#[0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0],
#[0, 1, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1],
#[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 1, 0, 0]]
#该词向量中带有侮辱性的词的就是 1
#trainCategory:[0, 1, 0, 1, 0, 1]
def trainNBO(trainMatrix,trainCategory):
#一共有几个词向量
numTrainDocs=len(trainMatrix)
#词汇表的长度
numWords=len(trainMatrix[0])
#3/6 表示 6 个词向量中，3 个带侮辱词
pAbusive=sum(trainCategory)/float(numTrainDocs)
#初始化概率
p0Num=ones(numWords)
p1Num=ones(numWords)
p0Denom=2.0;p1Denom=2.0
#遍历训练集 trainMatrix 中的所有文档
#一旦某个词在某一文档中出现
#该文档的总词数加 1
#两个类别都要进行同样的处理
#i：012345
for i in range(numTrainDocs):
#该词向量带侮辱
if trainCategory[i]==1:
#向量相加
p1Num+=trainMatrix[i]
p1Denom+=sum(trainMatrix[i])
else:
p0Num+=trainMatrix[i]
p0Denom+=sum(trainMatrix[i])
#每个元素除以该类别的总词数
p1Vect=log(p1Num/p1Denom)
p0Vect=log(p0Num/p0Denom)
return p0Vect,p1Vect,pAbusive
# 朴素贝叶斯分类函数
def classifyNB(vec2Classify,p0Vec,p1Vec,pClass1):
#元素相乘
p1=sum(vec2Classify*p1Vec)+log(pClass1)
p0=sum(vec2Classify*p0Vec)+log(1.0-pClass1)
if p1>p0:
return 1
else:
return 0
def testingNB():
listOPosts,listClasses=loadDataSet()
myVocabList=createVocabList(listOPosts)
trainMat=[]
#使用词向量填充 trainMat 列表
for postinDoc in listOPosts:
Vec01=setOfWords2Vec(myVocabList,postinDoc)
trainMat.append(Vec01)
p0V,p1V,pAb=trainNBO(trainMat,listClasses)
#测试集
testEntry=[‘love’,’my’,’dalmation’]
thisDoc=array(setOfWords2Vec(myVocabList,testEntry))
#print(thisDoc)
print(testEntry,’ classified as: ‘,classifyNB(thisDoc,p0V,p1V,pAb))
testEntry=[‘stupid’,’garbage’]
thisDoc=array(setOfWords2Vec(myVocabList,testEntry))
#print(thisDoc)
print(testEntry,’ classified as: ‘,classifyNB(thisDoc,p0V,p1V,pAb))
def main():
testingNB()
#创建数据
#listOPosts,listClasses=loadDataSet()
#print(listOPosts)
#构建一个包含所有词的列表
#myVocabList=createVocabList(listOPosts)
#print(myVocabList)
#returnVec=setOfWords2Vec(myVocabList,listOPosts[0])
#print(returnVec)
#trainMat=[]
#使用词向量填充 trainMat 列表
#for postinDoc in listOPosts:
#传入词汇表 以及每一行词向量
#返回的是一个与词汇表同样 size 的向量
#1 表示这个词在词向量中出现过
#Vec01=setOfWords2Vec(myVocabList,postinDoc)
#print(Vec01)
#将 01list 填充 trainMat
#trainMat.append(Vec01)
#print(trainMat)
#print(listClasses)
#p0V,p1V,pAB=trainNBO(trainMat,listClasses)
#print(p0V)
#print(p1V)
#print(pAB)
if __name__==’__main__’:
main()
