ナイーブベイズアルゴリズムのPython実装

アルゴリズムの長所と短所

長所: データが少ない場合でも効果的で、複数カテゴリの問題を処理できます

短所: 入力データの準備方法に敏感です

適用可能なデータ型: 公称データ

アルゴリズムのアイデア:

Naive Bayes

たとえば、メールがスパムかどうかを判断したい場合、わかっているのはメール内の単語の分布であり、スパムメール内で特定の単語が何回出現したか、ベイズの定理を使用して求めることができます。

ナイーブ ベイズ分類器の仮定は、各特徴が同等に重要であるということです。

ベイズ分類は、分類アルゴリズムのクラスの総称であり、ベイズの定理に基づいているため、総称してベイズ分類と呼ばれます。 。

Function

loadDataSet()

データセットを作成します。ここでのデータセットは、フォーラム上のユーザーのコメントを表す、分割された単語で構成される文です。これは、これが呪いであることを意味します

createVocabList()。 dataSet )

これらの文に含まれる単語の数を調べて、単語ベクトルのサイズを決定します

setOfWords2Vec(vocabList, inputSet)

ここでは、文内の単語に基づいて文をベクトルに変換します。 、つまり、単語が存在するかどうかのみを考慮します

bagOfWords2VecMN(vocabList, inputSet)

これは、特定の単語の出現数を考慮して、文をベクトルに変換する別のモデル、多項式モデルです

trainNB0(trainMatrix,trainCategory)

P(i) と P(w[i]|C[1]) と P(w[i]|C[0]) の計算には 2 つのトリックがあります。1 つは、開始分子と分母が異なることです。これらのうちの 1 つが 0 になる確率が 0 になり、全体が 0 になることを防ぐために、すべて 0 に初期化されます。もう 1 つは、精度の問題で結果が 0 になることを防ぐために、後で乗算対数を使用することです

classifyNB( vec2Classify、p0Vec、p1Vec、pClass1)

ベイズの公式に従ってこのベクトルを計算します。 2 つのセットのうちどちらの確率が高いか

#coding=utf-8
from numpy import *
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
#创建一个带有所有单词的列表
def createVocabList(dataSet):
    vocabSet = set([])
    for document in dataSet:
        vocabSet = vocabSet | set(document)
    return list(vocabSet)
     
def setOfWords2Vec(vocabList, inputSet):
    retVocabList = [0] * len(vocabList)
    for word in inputSet:
        if word in vocabList:
            retVocabList[vocabList.index(word)] = 1
        else:
            print 'word ',word ,'not in dict'
    return retVocabList
#另一种模型    
def bagOfWords2VecMN(vocabList, inputSet):
    returnVec = [0]*len(vocabList)
    for word in inputSet:
        if word in vocabList:
            returnVec[vocabList.index(word)] += 1
    return returnVec
def trainNB0(trainMatrix,trainCatergory):
    numTrainDoc = len(trainMatrix)
    numWords = len(trainMatrix[0])
    pAbusive = sum(trainCatergory)/float(numTrainDoc)
    #防止多个概率的成绩当中的一个为0
    p0Num = ones(numWords)
    p1Num = ones(numWords)
    p0Denom = 2.0
    p1Denom = 2.0
    for i in range(numTrainDoc):
        if trainCatergory[i] == 1:
            p1Num +=trainMatrix[i]
            p1Denom += sum(trainMatrix[i])
        else:
            p0Num +=trainMatrix[i]
            p0Denom += sum(trainMatrix[i])
    p1Vect = log(p1Num/p1Denom)#处于精度的考虑，否则很可能到限归零
    p0Vect = log(p0Num/p0Denom)
    return p0Vect,p1Vect,pAbusive
     
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
    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
         
def testingNB():
    listOPosts,listClasses = loadDataSet()
    myVocabList = createVocabList(listOPosts)
    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)
     
     
def main():
    testingNB()
     
if __name__ == '__main__':
    main()