4 基于概率论的分类方法：朴素贝叶斯

4.5 使用Python进行文本分类

4.5.1 准备数据：从文本中构建词向量

#coding:utf-8

from numpy import *

#准备数据：从文本中构建词向量
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‘]]#词条切分后的文档集合
    classVec = [0,1,0,1,0,1]# 1代表侮辱性文字，0代表正常言论
    return postingList, classVec

#创建词汇表
def createVocabList(dataSet):
    vocabSet = set([])
    for document in dataSet:
        vocabSet = vocabSet | set(document)
    return list(vocabSet)

#将一组单词转化一组数字，即将词汇表转换为一组向量
def setOfWords2Vec(vocabList, inputSet):#输入：词汇表，某个文档
    returnVec = [0] * len(vocabList)
    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

4.5.2 训练算法：从词向量计算概率

#训练算法：计算每个词在每种类别下出现的概率
def trainNB0(trainMatrix, trainCategory):#输入：文档矩阵，每篇文档类别标签构成的向量
    numTrainDocs = len(trainMatrix)
    numWords = len(trainMatrix[0])
    pAbusive = sum(trainCategory)/float(numTrainDocs)#先验概率
    p0Num = zeros(numWords); p1Num = zeros(numWords)#分子：数组
    p0Denom = 0.0; p1Denom = 0.0                    #分母:浮点数

    for i in range(numTrainDocs):
        if trainCategory[i] == 1:#类别为1
            p1Num += trainMatrix[i]#分子
            p1Denom += sum(trainMatrix[i])#分母
        else:
            p0Num += trainMatrix[i]
            p0Denom += sum(trainMatrix[i])
    p1Vect = p1Num / p1Denom#条件概率
    p0Vect = p0Num / p1Denom#条件概率
    return p0Vect, p1Vect, pAbusive

4.5.3 测试算法：根据显示情况修改分类器

拉普拉斯平滑

条件概率p(w0|1)p(w1|1)p(w2|1)，如果一个为0，最后乘机也为0.为降低这种影响，可以将所有词出现数初始化为1，分母初始化为2.

打开bayes.py,将trainNB0()的第4行和第5行修改为：

p0Num = ones(numWords); p1Num = ones(numWords)
p0Denom = 2.0; p2Denom = 2.0

另一个问题是下溢出，由于太多很小数相乘造成。一种解决方法是对乘积取自然对数，采用自然对数处理不会有任何损失。

将trainNB0()的return前两行代码修改为：

p1Vect = log(p1Num / p1Denom)
p2Vect = log(p0Num / p0Denom)

将下面代码添加到bayes.py中:

#测试算法：根据现实情况修改分类器
#朴素贝叶斯分类算法
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):#输入第一个元素:要分类的向量
    p1 = sum(vec2Classify * p1Vec) + log(pClass1)#元素相乘
    p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1)
    if p1 > p0:
        return 1
    else:
        return 0

def testingNB():#便利函数convenience function:封装所有操作
    listOPosts, listClasses = loadDataSet()#调数据
    myVocabList = createVocabList(listOPosts)#建词汇表
    trainMat = []
    for postinDoc in listOPosts:
        trainMat.append(setOfWords2Vec(myVocabList, postinDoc))

    p0V, p1V, pAb = trainNB0(array(trainMat), array(listClasses))

    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)

4.5.4 准备数据：根据显示情况修改分类器

目前为止，我们将每个词的出现与否作为一个特征，这被描述为词集模型（set-of-words model）.

如果每个单词可以出现多次作为特征，这被描述为词袋模型（bag-of-words model）.

为适应词袋模型，需对setOfWords2Vec（）稍加修改，唯一不同是遇到每个单词时，会增加词向量中的对应值，而不只是将对应的数值设为1.

#将一组单词转化一组数字，即将词汇表转换为一组向量：词集模型
def bagOfWords2Vec(vocabList, inputSet):#输入：词汇表，某个文档
    returnVec = [0] * len(vocabList)
    for word in inputSet:
        if word in vocabList:
            returnVec[vocabList.index(word)] += 1
    return returnVec

现在分类器已构建好，下面将利用该分类器来过滤垃圾邮件。