目录
正文
---------------------------------------------------------------------------------------
本系列文章为《机器学习实战》学习笔记，内容整理自书本，网络以及自己的理解，如有错误欢迎指正。
源码在Python3.5上测试均通过，代码及数据 --> https://github.com/Wellat/MLaction
---------------------------------------------------------------------------------------
朴素贝叶斯是使用概率论来分类的算法。其中朴素：各特征条件独立；贝叶斯：根据贝叶斯定理。
根据贝叶斯定理，对一个分类问题，给定样本特征x，样本属于类别y的概率是：
在这里，x 是一个特征向量，设 x 维度为 M。因为朴素的假设，即特征条件独立，根据全概率公式展开，上式可以表达为：
这里，只要分别估计出，特征 Χi 在每一类的条件概率就可以了。类别 y 的先验概率可以通过训练集算出，同样通过训练集上的统计，可以得出对应每一类上的，条件独立的特征对应的条件概率向量。
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。
要从文本中获取特征，需要先拆分文本。可以把词条想象为单词，也可以使用非单词词条，如URL、IP地址或者任意其他字符串。然后将每一个文本片段表示为一个词条向量，其中值为1表示词条出现在文档中，0表示词条未出现。
2.1 准备数据：从文本中构建词向量
2.2 训练算法：从词向量计算概率
计算每个类别的条件概率，伪代码：
2.3 测试算法
分类函数：
测试：
一般流程：
将长字符串切分成词表，包括将大写字符转换成小写，并过滤字符长度小于3的字符。
1 def textParse(bigString):#2 '''3 文本切分4 输入文本字符串，输出词表5 '''6 import re7 listOfTokens = re.split(r'\W*', bigString)8 return [tok.lower() for tok in listOfTokens if len(tok) > 2] 9
1 def spamTest(): 2 ''' 3 垃圾邮件测试函数 4 ''' 5 docList=[]; classList = []; fullText =[] 6 for i in range(1,26): 7 #读取垃圾邮件 8 wordList = textParse(open('email/spam/%d.txt' % i,'r',encoding= 'utf-8').read()) 9 docList.append(wordList)10 fullText.extend(wordList)11 #设置垃圾邮件类标签为112 classList.append(1) 13 wordList = textParse(open('email/ham/%d.txt' % i,'r',encoding= 'utf-8').read())14 docList.append(wordList)15 fullText.extend(wordList)16 classList.append(0)17 vocabList = createVocabList(docList)#生成次表库18 trainingSet = list(range(50))19 testSet=[] #20 #随机选10组做测试集21 for i in range(10):22 randIndex = int(random.uniform(0,len(trainingSet)))23 testSet.append(trainingSet[randIndex])24 del(trainingSet[randIndex]) 25 trainMat=[]; trainClasses = []26 for docIndex in trainingSet:#生成训练矩阵及标签27 trainMat.append(bagOfWords2VecMN(vocabList, docList[docIndex]))28 trainClasses.append(classList[docIndex])29 p0V,p1V,pSpam = trainNB0(array(trainMat),array(trainClasses))30 errorCount = 031 #测试并计算错误率32 for docIndex in testSet:33 wordVector = bagOfWords2VecMN(vocabList, docList[docIndex])34 if classifyNB(array(wordVector),p0V,p1V,pSpam) != classList[docIndex]:35 errorCount += 136 print("classification error",docList[docIndex])37 print('the error rate is: ',float(errorCount)/len(testSet))38 #return vocabList,fullText
一般流程：
在这个中，我们将分别从美国的两个城市中选取一些人，通过分析这些人发布的征婚广告信息，来比较这两个城市的人们在广告用词上是否不同 。
联系客服
