From d539c766909d844987c20e18bc9e4905f0962656 Mon Sep 17 00:00:00 2001 From: zhenyu wu <33506993+wzy6642@users.noreply.github.com> Date: Fri, 28 Dec 2018 09:02:08 +0800 Subject: [PATCH] Add files via upload --- Bayes_Project1/Bayes.py | 241 ++++++++++++++++++++++++++++++++++++++++ 1 file changed, 241 insertions(+) create mode 100644 Bayes_Project1/Bayes.py diff --git a/Bayes_Project1/Bayes.py b/Bayes_Project1/Bayes.py new file mode 100644 index 0000000..7317b43 --- /dev/null +++ b/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() \ No newline at end of file