机器学习算法的python实现之扫黄神器-朴素贝叶斯分类器的实现

1.背景

以前我在外面公司实习的时候，一个大神跟我说过，学计算机就是要一个一个贝叶斯公式的套用来套用去。嗯，现在终于用到了。朴素贝叶斯分类器据说是好多扫黄软件使用的算法，贝叶斯公式也比较简单，大学做概率题经常会用到。核心思想就是找出特征值对结果影响概率最大的项。公式如下：

什么是朴素贝叶斯，就是特征值相互独立互不影响的情况。贝叶斯可以有很多变形，这里先搞一个简单的，以后遇到复杂的再写。

2.数据集

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句子的表示粗口句，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。

3.代码

#以矩阵形式创建数据集
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

更多精彩内容：http://www.bianceng.cnhttp://www.bianceng.cn/Programming/sjjg/

#将矩阵内容添加到列表，set获取list中不重复的元素
def createVocabList(dataSet):
    vocabSet = set([])  #create empty set
    for document in dataSet:
        vocabSet = vocabSet | set(document) #union of the two sets
    return list(vocabSet)

#判断list中每个词在总共词语list中的位置
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

def trainNB0(trainMatrix,trainCategory):
    numTrainDocs = len(trainMatrix)  

    numWords = len(trainMatrix[0])  

    pAbusive = sum(trainCategory)/float(numTrainDocs)#脏句的比例
    p0Num = zeros(numWords); p1Num = zeros(numWords) #zero是numpy带的函数，zeros(i)长度为i的list
    p0Denom = 0.0; p1Denom = 0.0
    for i in range(numTrainDocs):
        if trainCategory[i] == 1:#如果是粗口句，每个词在p1num加一
            p1Num += trainMatrix[i]
            p1Denom += sum(trainMatrix[i])
        else:
            p0Num += trainMatrix[i]
            p0Denom += sum(trainMatrix[i])  

    p1Vect = p1Num/p1Denom          #粗口字概率
    p0Vect = p0Num/p0Denom
    return p0Vect,p1Vect,pAbusive

以上是小编为您精心准备的的内容，在的博客、问答、公众号、人物、课程等栏目也有的相关内容，欢迎继续使用右上角搜索按钮进行搜索概率
， 朴素贝叶斯算法
， 贝叶斯分类
， 贝叶斯
， y97 ate icker
， on lick istener
朴素贝叶斯分类
，以便于您获取更多的相关知识。