Add files via upload

Bayes_Project1/Bayes.py

@@ -0,0 +1,241 @@
+# -*- coding: utf-8 -*-
+"""
+Created on Fri Jul 20 21:35:46 2018
+
+@author: wzy
+"""
+import numpy as np
+from functools import reduce
+
+"""
+函数说明：创建实验样本
+
+Parameters:
+    None
+    
+Returns:
+    postingList - 实验样本切分的词条
+    classVec - 类别标签向量
+
+Modify:
+    2018-07-21
+"""
+def loadDataSet():
+    # 切分的词条
+    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']]
+    # 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
+
+
+"""
+函数说明：根据vocabList词汇表，将inputSet向量化，向量的每个元素为1或0
+
+Parameters:
+    vocabList - createVocabList返回的列表
+    inputSet - 切分的词条列表
+    
+Returns:
+    returnVec - 文档向量，词集模型
+
+Modify:
+    2018-07-21
+"""
+def setOfWords2Vec(vocabList, inputSet):
+    # 创建一个其中所含元素都为0的向量
+    returnVec = [0] * len(vocabList)
+    # 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
+            # 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 returnVec
+
+
+"""
+函数说明：将切分的实验样本词条整理成不重复的词条列表，也就是词汇表
+
+Parameters:
+    dataSet - 整理的样本数据集
+    
+Returns:
+    vocabSet - 返回不重复的词条列表，也就是词汇表
+
+Modify:
+    2018-07-21
+"""
+def createVocabList(dataSet):
+    # 创建一个空的不重复列表
+    # set是一个无序且不重复的元素集合
+    vocabSet = set([])
+    for document in dataSet:
+        # 取并集
+        vocabSet = vocabSet | set(document)
+    return list(vocabSet)
+
+
+"""
+函数说明：朴素贝叶斯分类器训练函数
+
+Parameters:
+    trainMatrix - 训练文档矩阵，即setOfWords2Vec返回的returnVec构成的矩阵
+    trainCategory - 训练类标签向量，即loadDataSet返回的classVec
+    
+Returns:
+    p0Vect - 侮辱类的条件概率数组
+    p1Vect - 非侮辱类的条件概率数组
+    pAbusive - 文档属于侮辱类的概率
+
+Modify:
+    2018-07-21
+"""
+def trainNB0(trainMatrix, trainCategory):
+    # 计算训练文档数目
+    numTrainDocs = len(trainMatrix)
+    # 计算每篇文档的词条数目
+    numWords = len(trainMatrix[0])
+    # 文档属于侮辱类的概率
+    pAbusive = sum(trainCategory)/float(numTrainDocs)
+    # 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):
+        # 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(w0|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)
+    # 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)
+    # 返回属于侮辱类的条件概率数组、属于非侮辱类的条件概率数组、文档属于侮辱类的概率
+    return p0Vect, p1Vect, pAbusive
+
+
+"""
+函数说明：朴素贝叶斯分类器分类函数
+
+Parameters:
+    vec2Classify - 待分类的词条数组
+    p0Vec - 侮辱类的条件概率数组
+    p1Vec - 非侮辱类的条件概率数组
+    pClass1 - 文档属于侮辱类的概率
+    
+Returns:
+    0 - 属于非侮辱类
+    1 - 属于侮辱类
+
+Modify:
+    2018-07-21
+"""
+def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
+    # 对应元素相乘
+    # p1 = reduce(lambda x,y:x*y, vec2Classify * p1Vec) * pClass1
+    # 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 0
+
+
+"""
+函数说明：测试朴素贝叶斯分类器
+
+Parameters:
+    None
+    
+Returns:
+    None
+
+Modify:
+    2018-07-21
+"""
+def testingNB():
+    # 创建实验样本
+    listOPosts, listclasses = loadDataSet()
+    # 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)
+    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))
+    # 训练朴素贝叶斯分类器
+    p0V, p1V, pAb = trainNB0(np.array(trainMat), np.array(listclasses))
+    # 测试样本1
+    testEntry = ['love', 'my', 'dalmation']
+    # 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))
+    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')
+
+
+"""
+函数说明：main函数
+
+Parameters:
+    None
+    
+Returns:
+    None
+
+Modify:
+    2018-07-21
+"""
+def main():
+    testingNB()
+
+
+if __name__ == '__main__':
+    main()