机器学习（三）：朴素贝叶斯（NB）

# -- coding: utf-8 --
from numpy import *

def loadDataSet():
    # 创建单词向量及对应的分类，1代表侮辱性文字，0代表正常言论
    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]
    return postingList,classVec

def createVocabList(dataSet):               # 创建一个过滤dataSet重复数据的表
    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)

def setOfWords2Vec(vocabList, inputSet):    # 将文档转换成特征向量
    returnVec = [0]*len(vocabList)          # 创建一个长度与不重复词表一样的一维数组，元素默认为0
    for word in inputSet:
        if word in vocabList:               # 若词表单词在文档中出现过，则将元素改为1
            returnVec[vocabList.index(word)] = 1
        else: print "the word: %s is not in my Vocabulary!" % word
    return returnVec

def trainNB0(trainMatrix,trainCategory):
    numTrainDocs = len(trainMatrix)         # 计算训练样本数量
    numWords = len(trainMatrix[0])          # 计算不重复词表中单词数量
    pAbusive = sum(trainCategory)/float(numTrainDocs) # 类别为1的训练样本的概率，即P(Y=c1)
    # 创建一个长度与不重复词表一样的一维数组，计算各单词出现次数，初始化为1
    p0Num = ones(numWords); p1Num = ones(numWords)
    p0Denom = 2.0; p1Denom = 2.0            # 将分母（所有单词量）初始化为2
    for i in range(numTrainDocs):
        if trainCategory[i] == 1:
            p1Num += trainMatrix[i]         # 若类别为1，将相应样本列相加，得该单词在全部文档中出现次数
            p1Denom += sum(trainMatrix[i])  # 计算类别为1的样本的所有单词量
        else:
            p0Num += trainMatrix[i]         # 若类别为0，将相应样本列相加，得该单词在全部文档中出现次数
            p0Denom += sum(trainMatrix[i])  # 计算类别为0的样本的所有单词量
    # 在类别为1的条件下，各单词在文档中出现的概率，并求其对数，即log(P(x=xi|Y=c1))
    p1Vect = log(p1Num/p1Denom)
    # 在类别为0的条件下，各单词在文档中出现的概率，并求其对数，即log(P(x=xi|Y=c0))
    p0Vect = log(p0Num/p0Denom)
    return p0Vect,p1Vect,pAbusive

def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
    # 假设传入的测试样本特征为第1，3，4个
    # 则vec2Classify * p0Vec表示为log(P(x=x1|Y=c0))+log(P(x=x3|Y=c0))+log(P(x=x4|Y=c0))
    # 则vec2Classify * p1Vec表示为log(P(x=x1|Y=c1))+log(P(x=x3|Y=c1))+log(P(x=x4|Y=c1))

    # p1=log(P(x=x1|Y=c1))+...+log(P(x=xn|Y=c1))+log(P(Y=c1))
    p1 = sum(vec2Classify * p1Vec) + log(pClass1)
    # p0=log(P(x=x1|Y=c0))+...+log(P(x=xn|Y=c0))+log(P(Y=c0))
    p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1)
    # 对比p1和p0的大小，大的对应的值及为最终的分类结果
    if p1 > p0:
        return 1
    else:
        return 0

def testingNB():
    listOPosts,listClasses = loadDataSet()     # 获取单词向量及对应分类
    myVocabList = createVocabList(listOPosts)  # 获取不重复的词表（此时假设每个特征同等重要）
    trainMat=[]
    for postinDoc in listOPosts:
        # 为每个单词构建一个特征
        # 输入某文档，输出文档向量，向量为1或0，分别表示词表myVocabList中的单词在输入文档是否出现
        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)

　　
以上全部内容参考书籍如下：
李航《统计学习方法》
Peter Harrington《Machine Learing in Action》
《概率论与数理统计》高等教育出版社