垃圾邮件过滤，增加拉普拉斯平滑

Naive Bayes/bayes-modify.py

@@ -0,0 +1,255 @@
+# -*- coding: UTF-8 -*-
+import numpy as np
+import random
+import re
+
+"""
+函数说明:创建实验样本
+
+Parameters:
+	无
+Returns:
+	postingList - 实验样本切分的词条
+	classVec - 类别标签向量
+Author:
+	Jack Cui
+Blog:
+	http://blog.csdn.net/c406495762
+Modify:
+	2017-08-11
+"""
+def loadDataSet():
+    postingList=[['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'],				#切分的词条
+                 ['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]   																#类别标签向量，1代表侮辱性词汇，0代表不是
+    return postingList,classVec																#返回实验样本切分的词条和类别标签向量
+
+"""
+函数说明:将切分的实验样本词条整理成不重复的词条列表，也就是词汇表
+
+Parameters:
+	dataSet - 整理的样本数据集
+Returns:
+	vocabSet - 返回不重复的词条列表，也就是词汇表
+Author:
+	Jack Cui
+Blog:
+	http://blog.csdn.net/c406495762
+Modify:
+	2017-08-11
+"""
+def createVocabList(dataSet):
+    vocabSet = set([])  					#创建一个空的不重复列表
+    for document in dataSet:				
+        vocabSet = vocabSet | set(document) #取并集
+    return list(vocabSet)
+
+"""
+函数说明:根据vocabList词汇表，将inputSet向量化，向量的每个元素为1或0
+
+Parameters:
+	vocabList - createVocabList返回的列表
+	inputSet - 切分的词条列表
+Returns:
+	returnVec - 文档向量,词集模型
+Author:
+	Jack Cui
+Blog:
+	http://blog.csdn.net/c406495762
+Modify:
+	2017-08-11
+"""
+def setOfWords2Vec(vocabList, inputSet):
+    returnVec = [0] * len(vocabList)									#创建一个其中所含元素都为0的向量
+    for word in inputSet:												#遍历每个词条
+        if word in vocabList:											#如果词条存在于词汇表中，则置1
+            returnVec[vocabList.index(word)] = 1
+        else: print("the word: %s is not in my Vocabulary!" % word)
+    return returnVec													#返回文档向量
+
+
+"""
+函数说明:根据vocabList词汇表，构建词袋模型
+
+Parameters:
+	vocabList - createVocabList返回的列表
+	inputSet - 切分的词条列表
+Returns:
+	returnVec - 文档向量,词袋模型
+Author:
+	Jack Cui
+Blog:
+	http://blog.csdn.net/c406495762
+Modify:
+	2017-08-14
+"""
+def bagOfWords2VecMN(vocabList, inputSet):
+    returnVec = [0]*len(vocabList)										#创建一个其中所含元素都为0的向量
+    for word in inputSet:												#遍历每个词条
+        if word in vocabList:											#如果词条存在于词汇表中，则计数加一
+            returnVec[vocabList.index(word)] += 1
+    return returnVec													#返回词袋模型
+
+"""
+函数说明:朴素贝叶斯分类器训练函数
+
+Parameters:
+	trainMatrix - 训练文档矩阵，即setOfWords2Vec返回的returnVec构成的矩阵
+	trainCategory - 训练类别标签向量，即loadDataSet返回的classVec
+Returns:
+	p0Vect - 侮辱类的条件概率数组
+	p1Vect - 非侮辱类的条件概率数组
+	pAbusive - 文档属于侮辱类的概率
+Author:
+	Jack Cui
+Blog:
+	http://blog.csdn.net/c406495762
+Modify:
+	2017-08-12
+"""
+def trainNB0(trainMatrix,trainCategory):
+    numTrainDocs = len(trainMatrix)							#计算训练的文档数目
+    numWords = len(trainMatrix[0])							#计算每篇文档的词条数
+    pAbusive = sum(trainCategory)/float(numTrainDocs)		#文档属于侮辱类的概率
+    p0Num = np.ones(numWords); p1Num = np.ones(numWords)	#创建numpy.ones数组,词条出现数初始化为1，拉普拉斯平滑
+    p0Denom = 2.0; p1Denom = 2.0                        	#分母初始化为2,拉普拉斯平滑
+    for i in range(numTrainDocs):
+        if trainCategory[i] == 1:							#统计属于侮辱类的条件概率所需的数据，即P(w0|1),P(w1|1),P(w2|1)···
+            p1Num += trainMatrix[i]
+            p1Denom += sum(trainMatrix[i])
+        else:												#统计属于非侮辱类的条件概率所需的数据，即P(w0|0),P(w1|0),P(w2|0)···
+            p0Num += trainMatrix[i]
+            p0Denom += sum(trainMatrix[i])
+    p1Vect = np.log(p1Num/p1Denom)							#取对数，防止下溢出          
+    p0Vect = np.log(p0Num/p0Denom)          
+    return p0Vect,p1Vect,pAbusive							#返回属于侮辱类的条件概率数组，属于非侮辱类的条件概率数组，文档属于侮辱类的概率
+
+"""
+函数说明:朴素贝叶斯分类器分类函数
+
+Parameters:
+	vec2Classify - 待分类的词条数组
+	p0Vec - 侮辱类的条件概率数组
+	p1Vec -非侮辱类的条件概率数组
+	pClass1 - 文档属于侮辱类的概率
+Returns:
+	0 - 属于非侮辱类
+	1 - 属于侮辱类
+Author:
+	Jack Cui
+Blog:
+	http://blog.csdn.net/c406495762
+Modify:
+	2017-08-12
+"""
+def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
+    p1 = sum(vec2Classify * p1Vec) + np.log(pClass1)    	#对应元素相乘。logA * B = logA + logB，所以这里加上log(pClass1)
+    p0 = sum(vec2Classify * p0Vec) + np.log(1.0 - pClass1)
+    if p1 > p0:
+        return 1
+    else: 
+        return 0
+
+"""
+函数说明:朴素贝叶斯分类器训练函数
+
+Parameters:
+    trainMatrix - 训练文档矩阵，即setOfWords2Vec返回的returnVec构成的矩阵
+    trainCategory - 训练类别标签向量，即loadDataSet返回的classVec
+Returns:
+    p0Vect - 侮辱类的条件概率数组
+    p1Vect - 非侮辱类的条件概率数组
+    pAbusive - 文档属于侮辱类的概率
+Author:
+    Jack Cui
+Blog:
+    http://blog.csdn.net/c406495762
+Modify:
+    2017-08-12
+"""
+def trainNB0(trainMatrix,trainCategory):
+    numTrainDocs = len(trainMatrix)                            #计算训练的文档数目
+    numWords = len(trainMatrix[0])                            #计算每篇文档的词条数
+    pAbusive = sum(trainCategory)/float(numTrainDocs)        #文档属于侮辱类的概率
+    p0Num = np.ones(numWords); p1Num = np.ones(numWords)    #创建numpy.ones数组,词条出现数初始化为1，拉普拉斯平滑
+    p0Denom = 2.0; p1Denom = 2.0                            #分母初始化为2,拉普拉斯平滑
+    for i in range(numTrainDocs):
+        if trainCategory[i] == 1:                            #统计属于侮辱类的条件概率所需的数据，即P(w0|1),P(w1|1),P(w2|1)···
+            p1Num += trainMatrix[i]
+            p1Denom += sum(trainMatrix[i])
+        else:                                                #统计属于非侮辱类的条件概率所需的数据，即P(w0|0),P(w1|0),P(w2|0)···
+            p0Num += trainMatrix[i]
+            p0Denom += sum(trainMatrix[i])
+    p1Vect = np.log(p1Num/p1Denom)                            #取对数，防止下溢出         
+    p0Vect = np.log(p0Num/p0Denom)         
+    return p0Vect,p1Vect,pAbusive                            #返回属于侮辱类的条件概率数组，属于非侮辱类的条件概率数组，文档属于侮辱类的概率
+
+
+"""
+函数说明:接收一个大字符串并将其解析为字符串列表
+
+Parameters:
+    无
+Returns:
+    无
+Author:
+    Jack Cui
+Blog:
+    http://blog.csdn.net/c406495762
+Modify:
+    2017-08-14
+"""
+def textParse(bigString):                                                   #将字符串转换为字符列表
+    listOfTokens = re.split(r'\W*', bigString)                              #将特殊符号作为切分标志进行字符串切分，即非字母、非数字
+    return [tok.lower() for tok in listOfTokens if len(tok) > 2]            #除了单个字母，例如大写的I，其它单词变成小写
+
+"""
+函数说明:测试朴素贝叶斯分类器
+
+Parameters:
+    无
+Returns:
+    无
+Author:
+    Jack Cui
+Blog:
+    http://blog.csdn.net/c406495762
+Modify:
+    2017-08-14
+"""
+def spamTest():
+    docList = []; classList = []; fullText = []
+    for i in range(1, 26):                                                  #遍历25个txt文件
+        wordList = textParse(open('email/spam/%d.txt' % i, 'r').read())     #读取每个垃圾邮件，并字符串转换成字符串列表
+        docList.append(wordList)
+        fullText.append(wordList)
+        classList.append(1)                                                 #标记垃圾邮件，1表示垃圾文件
+        wordList = textParse(open('email/ham/%d.txt' % i, 'r').read())      #读取每个非垃圾邮件，并字符串转换成字符串列表
+        docList.append(wordList)
+        fullText.append(wordList)
+        classList.append(0)                                                 #标记非垃圾邮件，1表示垃圾文件    
+    vocabList = createVocabList(docList)                                    #创建词汇表，不重复
+    trainingSet = list(range(50)); testSet = []                             #创建存储训练集的索引值的列表和测试集的索引值的列表                        
+    for i in range(10):                                                     #从50个邮件中，随机挑选出40个作为训练集,10个做测试集
+        randIndex = int(random.uniform(0, len(trainingSet)))                #随机选取索索引值
+        testSet.append(trainingSet[randIndex])                              #添加测试集的索引值
+        del(trainingSet[randIndex])                                         #在训练集列表中删除添加到测试集的索引值
+    trainMat = []; trainClasses = []                                        #创建训练集矩阵和训练集类别标签系向量             
+    for docIndex in trainingSet:                                            #遍历训练集
+        trainMat.append(setOfWords2Vec(vocabList, docList[docIndex]))       #将生成的词集模型添加到训练矩阵中
+        trainClasses.append(classList[docIndex])                            #将类别添加到训练集类别标签系向量中
+    p0V, p1V, pSpam = trainNB0(np.array(trainMat), np.array(trainClasses))  #训练朴素贝叶斯模型
+    errorCount = 0                                                          #错误分类计数
+    for docIndex in testSet:                                                #遍历测试集
+        wordVector = setOfWords2Vec(vocabList, docList[docIndex])           #测试集的词集模型
+        if classifyNB(np.array(wordVector), p0V, p1V, pSpam) != classList[docIndex]:    #如果分类错误
+            errorCount += 1                                                 #错误计数加1
+            print("分类错误的测试集：",docList[docIndex])
+    print('错误率：%.2f%%' % (float(errorCount) / len(testSet) * 100))
+
+if __name__ == '__main__':
+    spamTest()