8535.com-新浦京娱乐场官网|欢迎您

朴素贝叶斯算法的python实现方法,贝叶斯算法p

来源:http://www.dnamique.com 作者:计算机网络 人气:151 发布时间:2020-01-04
摘要:勤俭贝叶斯算法的python达成情势,贝叶斯算法python 本文实例陈述了留意贝叶斯算法的python完毕情势。分享给大家供我们参谋。具体贯彻方式如下: 省力贝叶斯算法优缺点 优点:在数据

勤俭贝叶斯算法的python达成情势,贝叶斯算法python

本文实例陈述了留意贝叶斯算法的python完毕情势。分享给大家供我们参谋。具体贯彻方式如下:

省力贝叶斯算法优缺点

优点:在数据超级少的情形下依然有效,能够管理多样类难题

缺欠:对输入数据的备选格局敏感

适用数据类型:标称型数据

算法思想:

比方大家想看清四个邮件是否垃圾邮件,那么大家了然的是以此邮件中的词的遍及,那么大家还要通晓:垃圾邮件中或多或少词的面世是不怎么,就可以动用贝叶斯定理得到。

节约贝叶斯分类器中的三个譬喻是:每种特征同等首要

函数 loadDataSet()

始建数据集,这里的数量集是已经拆分好的单词组成的语句,表示的是某论坛的客商评价,标签1代表这几个是骂人的

createVocabList(dataSet)

搜索这几个句子中总共有多少单词,以鲜明大家词向量的大大小小

setOfWords2Vec(vocabList, inputSet)

将句子依照此中的单词转成向量,这里用的是伯努利模型,即只思忖那一个单词是不是存在

bagOfWords2VecMN(vocabList, inputSet)

其一是将句子转成向量的另大器晚成种模型,多项式模型,考虑有些词的面世次数

trainNB0(trainMatrix,trainCatergory)

计算P(i)和P(w[i]|C[1])和P(w[i]|C[0]卡塔尔,这里有多少个才干,叁个是发端的成员分母未有任何发端化为0是为了以免万后生可畏内部二个的概率为0招致全部为0,另八个是背后乘用对数制止因为精度难点结果为0

classifyNB(vec2Classify, p0Vec, p1Vec, pClass1)

依照贝叶斯公式图片 1总计那几个向量归属多少个聚众中哪些的概率高

复制代码 代码如下:

#coding=utf-8
from numpy import *
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

#创建一个带有全数单词的列表
def createVocabList(dataSet):
    vocabSet = set([])
    for document in dataSet:
        vocabSet = vocabSet | set(document)
    return list(vocabSet)
   
def setOfWords2Vec(vocabList, inputSet):
    retVocabList = [0] * len(vocabList)
    for word in inputSet:
        if word in vocabList:
            retVocabList[vocabList.index(word)] = 1
        else:
            print 'word ',word ,'not in dict'
    return retVocabList

#另风姿洒脱种模型   
def bagOfWords2VecMN(vocabList, inputSet):
    returnVec = [0]*len(vocabList)
    for word in inputSet:
        if word in vocabList:
            returnVec[vocabList.index(word)] += 1
    return returnVec

def trainNB0(trainMatrix,trainCatergory):
    numTrainDoc = len(trainMatrix)
    numWords = len(trainMatrix[0])
    pAbusive = sum(trainCatergory)/float(numTrainDoc)
    #防守多个票房价值的成绩中等的多个为0
    p0Num = ones(numWords)
    p1Num = ones(numWords)
    p0Denom = 2.0
    p1Denom = 2.0
    for i in range(numTrainDoc):
        if trainCatergory[i] == 1:
            p1Num +=trainMatrix[i]
            p1Denom += sum(trainMatrix[i])
        else:
            p0Num +=trainMatrix[i]
            p0Denom += sum(trainMatrix[i])
    p1Vect = log(p1Num/p1Denom)#高居精度的酌量,不然很恐怕到限归零
    p0Vect = log(p0Num/p0Denom)
    return p0Vect,p1Vect,pAbusive
   
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
    p1 = sum(vec2Classify * p1Vec) + log(pClass1)    #element-wise mult
    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(array(trainMat),array(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)
   
   
def main():
    testingNB()
   
if __name__ == '__main__':
    main()

希望本文所述对大家的Python程序设计具备助于。

本文实例汇报了勤俭节约贝叶斯算法的python达成格局。分享给大家供大家参谋。具体落到实处方法...

本文由8535.com-新浦京娱乐场官网|欢迎您发布于计算机网络,转载请注明出处:朴素贝叶斯算法的python实现方法,贝叶斯算法p

关键词:

上一篇:k-means聚类算法python实现,k-means聚类python

下一篇:没有了

最火资讯