机器学习-24:MachineLN之朴素贝叶斯源码
2018-02-27 15:02
691 查看
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:
推荐阅读:1. 机器学习-1:MachineLN之三要素2. 机器学习-2:MachineLN之模型评估3. 机器学习-3:MachineLN之dl4. 机器学习-4:DeepLN之CNN解析5. 机器学习-5:DeepLN之CNN权重更新(笔记)6. 机器学习-6:DeepLN之CNN源码7. 机器学习-7:MachineLN之激活函数8. 机器学习-8:DeepLN之BN9. 机器学习-9:MachineLN之数据归一化10. 机器学习-10:MachineLN之样本不均衡11. 机器学习-11:MachineLN之过拟合
12. 机器学习-12:MachineLN之优化算法13. 机器学习-13:MachineLN之kNN14. 机器学习-14:MachineLN之kNN源码15. 机器学习-15:MachineLN之感知机16. 机器学习-16:MachineLN之感知机源码17. 机器学习-17:MachineLN之逻辑回归18. 机器学习-18:MachineLN之逻辑回归源码19. 机器学习-19:MachineLN之SVM(1)20. 机器学习-20:MachineLN之SVM(2)21. 机器学习-21:MachineLN之SVM源码
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:1. 机器学习-1:MachineLN之三要素2. 机器学习-2:MachineLN之模型评估3. 机器学习-3:MachineLN之dl4. 机器学习-4:DeepLN之CNN解析5. 机器学习-5:DeepLN之CNN权重更新(笔记)6. 机器学习-6:DeepLN之CNN源码7. 机器学习-7:MachineLN之激活函数8. 机器学习-8:DeepLN之BN9. 机器学习-9:MachineLN之数据归一化10. 机器学习-10:MachineLN之样本不均衡11. 机器学习-11:MachineLN之过拟合
12. 机器学习-12:MachineLN之优化算法13. 机器学习-13:MachineLN之kNN14. 机器学习-14:MachineLN之kNN源码15. 机器学习-15:MachineLN之感知机16. 机器学习-16:MachineLN之感知机源码17. 机器学习-17:MachineLN之逻辑回归18. 机器学习-18:MachineLN之逻辑回归源码19. 机器学习-19:MachineLN之SVM(1)20. 机器学习-20:MachineLN之SVM(2)21. 机器学习-21:MachineLN之SVM源码
相关文章推荐
- [机器学习:李宏毅]24、SVM
- 机器学习24-EM算法
- 机器学习(24)之Bagging与随机森林
- 机器学习问题与解答系列(17-24)
- [机器学习入门] 李宏毅机器学习笔记-24(introduction of Structured Learning;结构化学习介绍)
- 机器学习小组知识点24:数据预处理之数据清理(Data-Cleaning)
- 机器学习 SVM sklearn
- 分享 - 27 个机器学习、数学、Python 速查表
- Teach Yourself Drupal in 24 Minutes –Minute7 使用CCK和Image
- 【机器学习】迭代决策树GBRT(渐进梯度回归树)
- 机器学习:防止过拟合的方法
- COGS 14 [网络流24题] 搭配飞行员
- 机器学习笔记一【线性回归】
- 【机器学习】先验概率、后验概率、贝叶斯公式、 似然函数
- Div+CSS布局的扩展技巧和用法24则
- 模式识别和机器学习中的概率知识
- Stanford 机器学习笔记 Week11 Application Example: Photo OCR
- 机器学习-Linear Regression with One Variable
- Hadoop-Fedora24搭建Hadoop
- 机器学习练习题