【Machine :Learning】 朴素贝叶斯
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了【Machine :Learning】 朴素贝叶斯，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含3070字，纯文字阅读大概需要5分钟。
内容图文
1. 朴素贝叶斯： 条件概率在机器学习算法的应用。理解这个算法需要一点推导。不会编辑公式。。
核心就是 在已知训练集的前提条件下，算出每个特征的概率为该分类的概率， 然后套贝叶斯公式计算 预测集的所有分类概率，预测类型为概率最大的类型
from numpy import *
def loadDataSet():
"""
Returns:
postingList: list, 用于测试的静态数据
classVec: list, 标签，与 postingList 对应， 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] # 1 代表侮辱性文字， 0 代表正常言论return postingList, classVec
def createVocabList(dataSet):
"""
对数据进行去重
Args:
dataSet: list, 原始数据
Returns: list 去重后的一维list
"""
vocabSet = set([])
for document in dataSet:
vocabSet = vocabSet | set(document)
return list(vocabSet)
def setOfWords2Vec(vocabList, inputSet):
"""
对数据使用情况进行标记
Args:
vocabList: list 参考数据
inputSet: 测试数据
Returns: list 对应 vocabList， 1 代表在 inputSet 中存在， 0 代表不存在
"""
returnVec = [0] * len(vocabList)
for word in inputSet:
if word in inputSet:
returnVec[vocabList.index(word)] = 1
else:
print("the word: %s is not my Vocabulary!" % word)
return returnVec
def trainNB0(trainMatrix, trainCategory):
"""
Args:
trainMatrix: 测试数据
trainCategory: 数据标签
Returns:
p0Vect: list[list] 在已知正常文档的概率是 0.4的前提下，
每个单词的为正常单词的概率）
p1Vect: list[list] （在已知侮辱性文档的概率是 0.6的前提下，
每个单词的为侮辱性单词的概率）
pAbusive: float 条件概率中的条件 以 createDataSet 方法中的数据为例，
侮辱性文档的概率是 0.6， 正常文档的概率是0.4
"""
numTrainDocs = len(trainMatrix)
numWords = len(trainMatrix[0])
pAbusive = sum(trainCategory) / float(numTrainDocs)
p0Num = zeros(numWords)
p1Num = zeros(numWords)
p0Denom = 0.0
p1Denom = 0.0
for i in range(numTrainDocs):
if trainCategory[i] == 1:
p1Num += trainMatrix[i]
p1Denom += sum(trainMatrix[i])
else:
p0Num += trainMatrix[i]
p0Denom += sum(trainMatrix[i])
p1Vect = p1Num / p1Denom
p0Vect = p0Num / p0Denom
return p0Vect, p1Vect, pAbusive
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
"""
Args:
vec2Classify: list[int] 词汇表使用标记
p0Vec: list[list] 单个词汇为正常词汇的概率
p1Vec: list[list] 单个词汇为侮辱性词汇的概率
pClass1: float 文档为侮辱性文档的概率
Returns: 1: 侮辱性文档
2: 正常文档
"""
p1 = sum(vec2Classify * p1Vec) + log(pClass1) # 使用log避免 0乘以任何数为0 的尴尬
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(trainMat, 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))
if__name__ == ‘__main__‘:
testingNB()
原文：https://www.cnblogs.com/yeyeck/p/10028384.html
内容总结
以上是互联网集市为您收集整理的【Machine :Learning】 朴素贝叶斯全部内容，希望文章能够帮你解决【Machine :Learning】 朴素贝叶斯所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。
来源：【匿名】