java朴素贝叶斯_java实现朴素贝叶斯算法
?
?
贝叶斯模型
class="模型" name="code">package bayes;
import java.util.HashMap;
import java.util.HashSet;
import java.util.Map;
import java.util.Set;
public class Model {
public Set categorySet = new HashSet();
public Set keyWordsSet = new HashSet();
public Map probabilityMap = new HashMap();
}
?
? ? 贝叶斯主类
package bayes;
import java.io.BufferedReader;
import java.io.BufferedWriter;
import java.io.FileReader;
import java.io.FileWriter;
import java.util.Arrays;
import java.util.HashMap;
import java.util.HashSet;
import java.util.Map;
import java.util.Set;
public class Bayes {
/**
* P(B|a1,a2,a3)= cBa1 * cBa2 * cBa3 / (cB * cB) / ( cBa1 * cBa2 * cba3 / (cB * cB) + cAa1 * cAa2 * cAa3 / (cA * cA) )
*
* @param source
* @param model
* @return
*/
public static Map getValue(String source, Model model) {
if (model != null && model.keyWordsSet != null && model.categorySet != null && source != null) {
Set keyWordSet = new HashSet();
for (String key : model.keyWordsSet) {
if (source.contains(key)) {
keyWordSet.add(key);
}
}
if (keyWordSet.size() > 0) {
Map probabilityMap = new HashMap();
double sumProbalitity = 0;
for (String category : model.categorySet) {
double numerator = 1;
double denominator = 1;
int index = 0;
for (String keyword : keyWordSet) {
if (index > 0) {
denominator = denominator * getProbalityValue(model, category);
}
numerator = numerator * getProbalityValue(model, category + "-" + keyword);
index = index + 1;
}
double probalisty = Double.valueOf(numerator / denominator);
sumProbalitity = sumProbalitity + probalisty;
probabilityMap.put(category, probalisty);
}
Map rtnMap = new HashMap();
if (sumProbalitity > 0) {
for (String category : model.categorySet) {
rtnMap.put(category, Double.valueOf(probabilityMap.get(category) / sumProbalitity));
}
} else {
for (String category : model.categorySet) {
rtnMap.put(category, Double.valueOf(1.0 / model.categorySet.size()));
}
}
return rtnMap;
}
}
return null;
}
public static long getProbalityValue(Model model, String key) {
long rtn = 0;
if (model.probabilityMap.containsKey(key)) {
rtn = model.probabilityMap.get(key);
}
return rtn;
}
public static Model train(String[] categorys, String[][] data, String[] keyWords) {
if (categorys != null && data != null && data.length == categorys.length && categorys.length > 1 && keyWords != null && keyWords.length > 1) {
Model model = new Model();
model.categorySet.addAll(Arrays.asList(categorys));
model.keyWordsSet.addAll(Arrays.asList(keyWords));
for (int i = 0; i < categorys.length; i++) {
calculateProbability(categorys[i], data[i], model);
}
return model;
} else {
System.out.println("data error!");
}
return null;
}
private static void calculateProbability(String category, String[] categoryData, Model model) {
for (String source : categoryData) {
addCategoryKeywordCount(category, model);
for (String keywork : model.keyWordsSet) {
if (source.contains(keywork)) {
addCategoryKeywordCount(keywork, model);
addCategoryKeywordCount(category + "-" + keywork, model);
}
}
}
}
private static void addCategoryKeywordCount(String key, Model model) {
Long count = null;
count = model.probabilityMap.get(key);
if (count != null) {
count = count + 1;
} else {
count = 1L;
}
model.probabilityMap.put(key, count);
}
public static void saveModel(String fileName, Model model) {
try (BufferedWriter writer = new BufferedWriter(new FileWriter(fileName));) {
for (String category : model.categorySet) {
writer.write(category);
writer.write(",");
}
writer.write("\n");
for (String keyword : model.keyWordsSet) {
writer.write(keyword);
writer.write(",");
}
writer.write("\n");
for (String key : model.probabilityMap.keySet()) {
writer.write(key);
writer.write(":");
writer.write(model.probabilityMap.get(key).toString());
writer.write("\n");
}
writer.write("\n");
} catch (Exception e) {
System.out.println("save Model error");
}
}
public static Model loadModel(String fileName) {
Model model = new Model();
try (BufferedReader reader = new BufferedReader(new FileReader(fileName));) {
String categoryLine = reader.readLine();
model.categorySet.addAll(getStringSet(categoryLine, ","));
String keyWorksLine = reader.readLine();
model.keyWordsSet.addAll(getStringSet(keyWorksLine, ","));
String probalilityLine = reader.readLine();
while (probalilityLine != null) {
if (probalilityLine.trim().length() > 0) {
String[] itemStr = (probalilityLine + ":").split(":");
if (itemStr.length == 2) {
String key = itemStr[0];
Long probalility = Long.valueOf(itemStr[0]);
model.probabilityMap.put(key, probalility);
} else {
System.out.println("Error model line:" + probalilityLine);
}
}
probalilityLine = reader.readLine();
}
} catch (Exception e) {
System.out.println("load model error");
}
return model;
}
public static Set getStringSet(String sourceStr, String splitor) {
Set rtn = new HashSet();
if (sourceStr != null && splitor != null) {
String[] strs = sourceStr.split(splitor);
if (strs != null && strs.length > 0) {
for (String str : strs) {
if (str != null) {
rtn.add(str.trim());
}
}
}
}
return rtn;
}
}
?
java朴素贝叶斯_java实现朴素贝叶斯算法相关推荐
- java中queue排序_Java中常见的排序算法有哪些?---选择排序
排序相关的的基本概念 排序: 将一组杂乱无章的数据按一定的规律顺次排列起来. 数据表( data list): 它是待排序数据对象的有限集合. 排序码(key):通常数据对象有多个属性域, 即多个数据 ...
- java蓝桥暑假班_Java实现 蓝桥杯VIP 算法提高 班级排名
算法提高 班级排名 时间限制:1.0s 内存限制:256.0MB 问题描述 达达在陶陶的影响下,也对学习慢慢的产生了兴趣. 他在每次考试之后,都会追着老师问,自己在班级的总名次是多少.考试一多,老师也 ...
- java加权随机数抽奖_java版根据权重抽奖算法
根据权重进行抽取的算法应用比较广泛,其中抽奖便是主要用途之一.正好这几天也正在进行抽奖模块的开发,整个抽奖模块涉及到的地方大概有三处,分别是后台进行奖品的添加(同时设置权重和数量),前台根据后台配置生 ...
- java 实现快速筛选_Java实现的快速查找算法示例
本文实例讲述了Java实现的快速查找算法.分享给大家供大家参考,具体如下: 快速查找算法,可以根据想要找的是第几个大的数,每次循环都能固定下来一个数在数组完整排完序之后的位置,每次循环都能定一个数的位 ...
- java随机数抽奖系统_Java实现游戏抽奖的算法
Java实现游戏抽奖的算法 发布时间:2020-05-29 13:27:44 来源:亿速云 阅读:282 作者:鸽子 Java开发游戏抽奖算法主要有随机数一一对应.离散法Alias算法等. 一.随机数 ...
- java 阶乘 最大整数_Java版超大整数阶乘算法-10,0000级
当计算超过20以上的阶乘时,阶乘的结果值往往会很大.一个很小的数字的阶乘结果就可能超过目前个人计算机的整数范围.如果需求很大的阶乘,比如1000以上完全无法用简单的递归方式去解决.在网上我看到很多用C ...
- 贝叶斯理论与朴素贝叶斯分类理论(Naive Bayesian Model,NBM)
贝叶斯理论与朴素贝叶斯分类理论(Naive Bayesian Model,NBM) 贝叶斯统计理论是英国数学家托马斯´贝叶斯于18世纪中叶提出并逐步完善的一种数学理论.基于贝叶斯统计理论的贝叶斯决策是 ...
- 朴素贝叶斯 半朴素贝叶斯_使用朴素贝叶斯和N-Gram的Twitter情绪分析
朴素贝叶斯 半朴素贝叶斯 In this article, we'll show you how to classify a tweet into either positive or negativ ...
- 什么是贝叶斯定理?朴素贝叶斯有多“朴素”?终于有人讲明白了
导读:如果有一天,我们知道的统计规律和现实生活发生了冲突,又或者前人的经验不符合亲身经历,那么该怎么办?面对经验与现实的矛盾,我们需要一种应对方案. 作者:徐晟 来源:大数据DT(ID:hzdashu ...
- 三种常用的朴素贝叶斯实现算法——高斯朴素贝叶斯、伯努利朴素贝叶斯、多项式朴素贝叶斯
朴素贝叶斯 在机器学习中,朴素贝叶斯分类器是一系列以假设特征之间强(朴素)独立下运用贝叶斯定理为基础的简单概率分类器. 朴素贝叶斯算法Naive Bayes定义中有两个关键定义:特征之间强假设独立和贝 ...
最新文章
- 设计模式-建造者模式(05)
- 设计模式--建造者(Builder)模式
- asp.net javascrip获取session的值_一篇文章搞定 Django Cookie 与 Session
- Map-Reduce的逻辑过程
- 翻译记忆软件:Trados 7/2006,兼容性和基本用法讨论
- 十三、PyQt5的QFileDialog文件打开、文件保存、文件夹选择对话框
- 调试代码和解决问题的总体思路和 技术路线应该持有的心态
- Reverse for '**' with arguments '('',)' not found. 1 pattern(s) tried(topic_id与topic.id)
- boost 获取时间
- Kafka : WARN Error while fetching metadata with correlation id xx : {=UNKNOWN_TOPIC_OR_PARTITION}
- 中国数码单反相机市场趋势报告、技术动态创新及市场预测
- php 内存池,内存详解: 详解PHP内存池中的存储层_php
- 直播预告 | 揭秘时序数据库极致性能背后的存储引擎
- linux常用快捷键大全
- dht磁力链php,基于 DHT 网络的磁力链接和BT种子的搜索引擎架构
- android smb windows,Android使用SMB协议共享电脑内文件方法
- tcc-transaction源码详解
- 如何创建网站 网站的创建方法
- 基于EasyX图形库的天天爱消除
- 计算机的记事本和写字板的功能,记事本和写字板有什么不同?功能上
热门文章
- php算数组内值的总和,怎样使用array_sum() 计算数组元素值总和
- gif 动态加载_用 python 实现切割视频,加入水印,压缩并转成 gif !
- html h3标签,网站h1,h2,h3标签的用法和技巧
- java foreach 赋值_java foreach 使用
- ixigua解析_资本运作系列课程五:《科创板申请上市估值模型理论解析》现场直播回放...
- hashmap 存取原理图_HashMap原理(二) 扩容机制及存取原理
- MATLAB--黄金分割法
- mysql之join_mysql学习之join用法
- libuv 原理_nodejs如何利用libuv实现事件循环和异步
- 斐讯音箱控制扫地机器人_轻松解决家务难题 斐讯大能扫地机器人X3