朴素贝叶斯python代码实现.docVIP

** ** HYPERLINK /jay_xio/article/details朴素贝叶斯 优点：在数据较少的情况下仍然有效，可以处理多类别问题 缺点：对于输入数据的准备方式较为敏感 适用数据类型：标称型数据 ? 贝叶斯准则： 使用朴素贝叶斯进行文档分类 ? 朴素贝叶斯的一般过程 （1）收集数据：可以使用任何方法。本文使用RSS源 （2）准备数据：需要数值型或者布尔型数据 （3）分析数据：有大量特征时，绘制特征作用不大，此时使用直方图效果更好 （4）训练算法：计算不同的独立特征的条件概率 （5）测试算法：计算错误率 （6）使用算法：一个常见的朴素贝叶斯应用是文档分类。可以在任意的分类场景中使用朴素贝叶斯分类器，不一定非要是文本。 ? 准备数据：从文本中构建词向量 ?摘自机器学习实战。 [[my,dog,has,flea,problems,help,please], 0 [maybe,not,take,him,to,dog,park,stupid], 1 [my,dalmation,is,so,cute,I,love,him], 0 [stop,posting,stupid,worthless,garbage], 1 [mr,licks,ate,my,steak,how,to,stop,him], 0 [quit,buying,worthless,dog,food,stupid]] 1 以上是六句话，标记是0句子的表示正常句，标记是1句子的表示为粗口。我们通过分析每个句子中的每个词，在粗口句或是正常句出现的概率，可以找出那些词是粗口。 在bayes.py文件中添加如下代码： [python]? HYPERLINK /jay_xio/article/details\o view plain view plain HYPERLINK /jay_xio/article/details\o copy copy #?coding=utf-8?? ?? 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代表侮辱性文字，0代表正常言论?? ????return?postingList,?classVec?? ?? def?createVocabList(dataSet):?? ????vocabSet?=?set([])?? ????for?document?in?dataSet:?? ????????vocabSet?=?vocabSet?|?set(document)?? ????return?list(vocabSet)?? ?? def?setOfWords2Vec(vocabList,?inputSet):?? ????returnVec?=?[0]?*?len(vocabList)?? ????for?word?in?inputSet:?? ????????if?word?in?vocabList:?? ????????????returnVec[vocabList.index(word)]?=?1?? ????????else:?? ????????????print?the?word:?%s?is?not?in?my?Vocabulary!?%?word?? ????return?returnVec?? 运行结果： ? ?? 训练算法：从词向量计算概率 [python]? HYPERLINK /jay_xio/article/details\o view plain view plain HYPERLINK /jay_xio/article/details\o copy copy #?朴素贝叶斯分类器训练函数???? #?trainMat