pythonde 単純ベイズ アルゴリズム

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。

単純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、ベイズの定理に基づいた分類アルゴリズムのクラスの総称であるため、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()

以上がpythonde 単純ベイズ アルゴリズムの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。