【Machine Learning in Action --4】朴素贝叶斯电子邮件垃圾过滤

摘要：这里用的是词袋模型，即一个词在文档中出现不止一次，每个单词可以出现多次。

1、准备数据：切分文本

前一节过滤网站恶意留言中词向量是给定的，下面介绍如何从文本文档中构建自己的词列表

先举例说明，在python提示符下输入：

>>> mySent='This book is the best book on python or M.L. I have ever laid eyes upon.'
>>> mySent.split()
['This', 'book', 'is', 'the', 'best', 'book', 'on', 'python', 'or', 'M.L.', 'I', 'have', 'ever', 'laid', 'eyes', 'upon.']
#标点符号也被当成了词的一部分，可以使用正则表达式来切分句子，其中分隔符是除单词、数字外的任意字符串
>>> import re
>>> regEx=re.compile('\W*')
>>> listOfTokens=regEx.split(mySent)
>>> listOfTokens
['This', 'book', 'is', 'the', 'best', 'book', 'on', 'python', 'or', 'M', 'L', 'I', 'have', 'ever', 'laid', 'eyes', 'upon', '']
#去掉空字符串，通过计算每个字符串的长度，只返回长度大于0的字符串
>>> [tok for tok in listOfTokens if len(tok)>0]
['This', 'book', 'is', 'the', 'best', 'book', 'on', 'python', 'or', 'M', 'L', 'I', 'have', 'ever', 'laid', 'eyes', 'upon']
#将字符串全部转换成小写(.lower())或者大写(.upper())
>>> [tok.lower() for tok in listOfTokens if len(tok)>0]
['this', 'book', 'is', 'the', 'best', 'book', 'on', 'python', 'or', 'm', 'l', 'i', 'have', 'ever', 'laid', 'eyes', 'upon']

 本例中共有50封电子邮件，采用的是email文件夹下的ham文件和spam文件，其中ham文件下有25份d.txt（d是1到25）文件，spam文件下也有25份d.txt（d是1到25）文件。其中的10封邮件被随机选择为测试集。以下分别是ham文件下1.txt的内容，spam文件下1.txt的内容：

 

创建一个bayes.py文件，添加以下代码：

#!/usr/bin/python
#-*- coding:utf-8 -*-
#from numpy import *
#创建一个包含在所有文档中出现的不重复词的列表
def createVocabList(dataSet):
    vocabSet=set([])    #创建一个空集
    for document in dataSet:
        vocabSet=vocabSet|set(document)   #创建两个集合的并集
    return list(vocabSet)
#该函数输入参数为词汇表及其某个文档，输出是文档向量
def setOfWords2Vec(vocabList,inputSet):
    returnVec=[0]*len(vocabList)
    for word in inputSet:
        if word in inputSet:
            returnVec[vocabList.index(word)]+=1  #这里是词袋模型，与词集模型不一样
        else:print "the word:%s is not in my Vocabulary!" % word
    return returnVec
 

2、训练算法：从词向量计算概率

前面介绍了如何将一组单词转换为一组数字，接下来看看如何使用这些数字计算概率。现在已经知道一个词是否出现在一篇文档中，也知道该文档所属类别。

naive-bayes-3 (1)

首先通过类别i中文档数除以总的文档数来计算概率P(Ci)，然后计算P(w|Ci)，即P(w0|Ci)P(w1Ci)...P(wN|Ci)来计算上述概率。

#朴素贝叶斯分类器训练函数
def trainNBO(trainMatrix,trainCategory):
    numTrainDocs=len(trainMatrix)
    numWords=len(trainMatrix[0])
    pAbusive=sum(trainCategory)/float(numTrainDocs)
    p0Num=ones(numWords);p1Num=ones(numWords)   #计算p(w0|1)p(w1|1),避免其中一个概率值为0，最后的乘积为0
    p0Demo=2.0;p1Demo=2.0  #初始化概率
    for i in range(numTrainDocs):
        if trainCategory[i]==1:
               p1Num+=trainMatrix[i]
               p1Demo+=sum(trainMatrix[i])
        else:
               p0Num+=trainMatrix[i]
               p0Demo+=sum(trainMatrix[i])
    #p1Vect=p1Num/p1Demo
    #p0Vect=p0Num/p0Demo
    p1Vect=log(p1Num/p1Demo) #计算p(w0|1)p(w1|1)时，大部分因子都非常小，程序会下溢出或得不到正确答案（相乘许多很小数，最后四舍五入会得到0）
    p0Vect=log(p0Num/p0Demo)
    return p0Vect,p1Vect,pAbusive

3、测试算法：使用朴素贝叶斯进行交叉验证

#朴素贝叶斯分类函数
def classifyNB(vec2Classify,p0Vec,p1Vec,pClass1):
    p1=sum(vec2Classify*p1Vec)+log(pClass1)
    p0=sum(vec2Classify*p0Vec)+log(1.0-pClass1)
    if p1>p0:
        return 1
    else:
        return 0
#文件解析及完整的垃圾邮件测试函数
def textParse(bigString):
    import re
    listOfTokens=re.split(r'W*',bigString)
    return [tok.lower() for tok in listOfTokens if len(tok)>2]
def spamTest():
    docList=[];classList=[];fullText=[]
    for i in range(1,26):
        wordList=textParse(open('email/spam/%d.txt'% i).read())
        docList.append(wordList)
        fullText.extend(wordList)
        classList.append(1)
        wordList=textParse(open('email/ham/%d.txt'% i).read())
        docList.append(wordList)
        fullText.extend(wordList)
        classList.append(0)
    vocabList=createVocabList(docList)
    trainingSet=range(50);testSet=[]  #trainingSet是一个整数列表，其中的值从0到49
    for i in range(10):   #随机选择其中10个文件
        randIndex=int(random.uniform(0,len(trainingSet)))
        testSet.append(trainingSet[randIndex]) #选择出的数字所对应的文档被添加到测试集
        del(trainingSet[randIndex])   #同时被选中的数据将从训练集中踢除
    trainMat=[];trainClasses=[]
    for docIndex in trainingSet:
        trainMat.append(setOfWords2Vec(vocabList,docList[docIndex]))
        trainClasses.append(classList[docIndex])
    p0V,p1V,pSpam=trainNBO(array(trainMat),array(trainClasses))
    errorCount=0
    for docIndex in testSet:
        wordVector=setOfWords2Vec(vocabList,docList[docIndex])
        if classifyNB(array(wordVector),p0V,p1V,pSpam)!=classList[docIndex]:
            errorCount+=1
    print 'the error rate is:',float(errorCount)/len(testSet)

下面对上述过程进行尝试，在python提示符下输入：

>>> reload(bayes)
<module 'bayes' from 'bayes.py'>
>>> bayes.spamTest()
the error rate is: 0.1
>>> bayes.spamTest()
the error rate is: 0.0

函数spamTest()会输出在10封随机选择的电子邮件上的分类错误绿。既然这些电子邮件是随机选择的，所以每次的输出结果可能有些差别。

解释：

>>> docList=[];classList=[];fullText=[]
>>> for i in range(1,26):
...     wordList=bayes.textParse(open('email/spam/%d.txt'%i).read())
...     docList.append(wordList)
...     fullText.extend(wordList)
...     classList.append(1)
...
>>> wordList
['experience', 'with', 'biggerpenis', 'today', 'grow', 'inches', 'more', 'the', 'safest', 'most', 'effective', 'methods', 'of_penisen1argement', 'save', 'your', 'time', 'and', 'money', 'bettererections', 'with', 'effective', 'ma1eenhancement', 'products', 'ma1eenhancement', 'supplement', 'trusted', 'millions', 'buy', 'today']
>>> docList
[['codeine', '15mg', 'for',..., 'buy', 'today']]
>>> fullText
['codeine', '15mg', 'for', ...,'buy', 'today']
>>> classList
[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]
>>> len(wordList)
29
>>> len(docList)
25
>>> len(fullText)
795
>>> len(classList)
25
>>> docList=[];classList=[];fullText=[]
>>> for i in range(1,26):
...     wordList=bayes.textParse(open('email/ham/%d.txt'%i).read())
...     docList.append(wordList)
...     fullText.extend(wordList)
...     classList.append(0)
... 
>>> wordList
['that', 'cold', 'there', 'going', 'retirement', 'party', 'are', 'the', 'leaves', 'changing', 'color']
>>> docList
[['codeine', '15mg', ..., 'changing', 'color']]
>>> fullText
['codeine', '15mg', ..., 'changing', 'color']
>>> classList
[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
>>> len(wordList)
11
>>> len(docList)
25
>>> len(fullText)
967
>>> len(classList)
25
>>> docList=[];classList=[];fullText=[]
>>> for i in range(1,26):
...     wordList=bayes.textParse(open('email/spam/%d.txt'%i).read())
...     docList.append(wordList)
...     fullText.extend(wordList)
...     classList.append(1)
...     wordList=bayes.textParse(open('email/ham/%d.txt'%i).read())
...     docList.append(wordList)
...     fullText.extend(wordList)
...     classList.append(0)
... 
>>> wordList
['that', 'cold', 'there', 'going', 'retirement', 'party', 'are', 'the', 'leaves', 'changing', 'color']
>>> docList
[['codeine', '15mg', ..., 'changing', 'color']]
>>> fullText
['codeine', '15mg', ..., 'changing', 'color']
>>> classList
[1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0]
>>> len(wordList)
11
>>> len(docList)
50
>>> len(fullText)
1762
>>> len(classList)
50
>>> vocabList=bayes.createVocabList(docList)
>>> vocabList
['all', 'code', ..., 'others', 'once']
>>> len(vocabList)
692
>>> trainingSet=range(50);testSet=[]
>>> for i in range(10):
...     randIndex=int(random.uniform(0,len(trainingSet)))
...     testSet.append(trainingSet[randIndex])
...     del(trainingSet[randIndex])
... 
>>> trainMat=[];trainClasses=[]
>>> for docIndex in trainingSet:
...     trainMat.append(bayes.setOfWords2Vec(vocabList,docList[docIndex]))
...     trainClasses.append(classList[docIndex])
... 
>>> shape(trainMat)
(40, 692)     #表示40行692列，即40篇训练文档，692个不重复的词汇

>>> p0V,p1V,pSpam=bayes.trainNBO(array(trainMat),array(trainClasses))
>>> len(p0V)
692
>>> len(p1V)
692

这里一直出现的错误是将垃圾邮件误判为正常邮件，相比之下，将垃圾邮件误判为正常邮件要比正常邮件归到垃圾邮件好。

【推广】 免费学中医，健康全家人
原文地址：https://www.cnblogs.com/chamie/p/4859288.html