机器学习实战4.2 朴素贝叶斯案例：屏蔽社区留言板的侮辱性言论

参考地址：https://cuijiahua.com/blog/2017/11/ml_4_bayes_1.html

一、引子

很久没更新机器学习实战了应该是很久没看这本书了最近上课需要准备各种论文来讲今天刚上了一节课给大家伙讲了讲深度学习效果感觉不错老师也很支持我们组织一起来做这个公众号(计算机视觉这件小事)和github开源笔记瞬间感觉自己做的东西是有目标有效果的劲头大增我们会一直坚持下去的~ 上次做的是朴素贝叶斯的基本概念这次在概念的基础上做一个例子加深一下对朴素贝叶斯的理解

二、朴素贝叶斯案例：屏蔽社区留言板的侮辱性言论

现在进入我们的实战阶段.
完整代码地址：https://github.com/aimi-cn/AILearners/tree/master/src/py2.x/ml/jqxxsz/4.NaiveBayes/NaiveBayesDemo01.py

1、项目概述

为了不影响社区的发展，我们要屏蔽侮辱性的言论，所以要构建一个快速过滤器，如果某条留言使用了负面或者侮辱性的语言，那么就将该留言标志为内容不当。过滤这类内容是一个很常见的需求。对此问题建立两个类型：侮辱类和非侮辱类，使用1和0分别表示。

2、开发流程

收集数据: 可以使用任何方法
准备数据: 从文本中构建词向量
分析数据: 检查词条确保解析的正确性
训练算法: 从词向量计算概率
测试算法: 根据现实情况修改分类器
使用算法: 对社区留言板言论进行分类

3、代码开发流程

收集数据: 可以使用任何方法

首先我们构造自己的词表：带有侮辱性的词表我们把他的标签设置为1 反之为1 这个上面我们定义了六个词表(假设已经将本文切分完毕) 把他们以词条的形式展示三个是侮辱类三个不是侮辱类

'''
@description: 创建实验样本
@param {None}
@return: postingList - 实验样本切分的词条classVec - 类别标签向量 0代表非侮辱类 1代表侮辱类
'''
def loadDataSet():#切分的词条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]  #类别标签向量，1代表侮辱性词汇，0代表不是return postingList,classVecif __name__ == '__main__':postingLIst, classVec = loadDataSet()for each in postingLIst:print(each)print(classVec)

从运行结果可以看出，我们已经将postingList是存放词条列表中，classVec是存放每个词条的所属类别，1代表侮辱类，0代表非侮辱类。

准备数据: 从文本中构建词向量 & 分析数据: 检查词条确保解析的正确性

我们现在已经把句子转化为向量了接着我们要先创建一个词汇表，并将切分好的词条转换为词条向量

代码如下：

'''
@description: 创建实验样本
@param {None}
@return: postingList - 实验样本切分的词条classVec - 类别标签向量 0代表非侮辱类 1代表侮辱类
'''
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'''
@description: 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
@param dataSet - 整理的样本数据集
@return: vocabSet - 返回不重复的词条列表，也就是词汇表
'''
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)'''
@description: 根据vocabList词汇表，将inputSet向量化，向量的每个元素为1或0 1存在 0不存在
@param: vocabList - createVocabList返回的列表
inputSet - 切分的词条列表
@return: returnVec - 文档向量,词集模型
'''
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1returnVec[vocabList.index(word)] = 1else: print("the word: %s is not in my Vocabulary!" % word)return returnVec                                                    #返回文档向量if __name__ == '__main__':postingList, classVec = loadDataSet()print('postingList:\n',postingList)myVocabList = createVocabList(postingList)print('myVocabList:\n',myVocabList)trainMat = []for postinDoc in postingList:trainMat.append(setOfWords2Vec(myVocabList, postinDoc))print('trainMat:\n', trainMat)

从运行结果可以看出，postingList是原始的词条列表，myVocabList是词汇表。myVocabList是所有单词出现的集合，没有重复的元素。词汇表是用来干什么的？没错，它是用来将词条向量化的，一个单词在词汇表中出现过一次，那么就在相应位置记作1，如果没有出现就在相应位置记作0。trainMat是所有的词条向量组成的列表。它里面存放的是根据myVocabList向量化的词条向量。

训练算法: 从词向量计算概率

我们已经得到了词条向量。接下来，我们就可以通过词条向量训练朴素贝叶斯分类器。

'''
@description: 朴素贝叶斯分类器训练函数
@param {type}
@return:
'''
def trainNB0(trainMatrix,trainCategory):#计算训练的文档数目 本文中6个numTrainDocs = len(trainMatrix)  #计算每篇文档的词条数   32个  也就是不重复的词条数numWords = len(trainMatrix[0])  #文档属于侮辱类的概率   0.5  --->  (0+1+0+1+0+1)/6   pAbusive = sum(trainCategory)/float(numTrainDocs)  #创建numpy.zeros数组,词条出现数初始化为0 表示每个词条出现的个数p0Num = np.zeros(numWords); p1Num = np.zeros(numWords)  #分母初始化为0  词条总数p0Denom = 0.0; p1Denom = 0.0                            for i in range(numTrainDocs):#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)···if trainCategory[i] == 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 = p1Num/p1Denom       p0Vect = p0Num/p0Denom    #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     return p0Vect,p1Vect,pAbusive

运行结果如下，p0V存放的是每个单词属于类别0，也就是非侮辱类词汇的概率。比如p0V的倒数第6个概率，就是stupid这个单词属于非侮辱类的概率为0。同理，p1V的倒数第6个概率，就是stupid这个单词属于侮辱类的概率为0.15789474，也就是约等于15.79%的概率。我们知道stupid的中文意思是蠢货，难听点的叫法就是傻逼。显而易见，这个单词属于侮辱类。pAb是所有侮辱类的样本占所有样本的概率，从classVec中可以看出，一用有3个侮辱类，3个非侮辱类。所以侮辱类的概率是0.5。因此p0V存放的就是P(him | 非侮辱类) = 0.0833，P(is | 非侮辱类) = 0.0417，一直到P(dog | 非侮辱类) = 0.0417，这些单词的条件概率。同理，p1V存放的就是各个单词属于侮辱类的条件概率。pAb就是先验概率。

然后对于这个算法我们提出一个新的优化算法因为在正常情况下概率很难为0,所以我们对初始值进行一些改变这一会对我们算法效果更好一些

def trainNB1(trainMatrix, trainCategory):"""训练数据优化版本:param trainMatrix: 文件单词矩阵:param trainCategory: 文件对应的类别:return:"""# 总文件数numTrainDocs = len(trainMatrix)# 总单词数numWords = len(trainMatrix[0])# 侮辱性文件的出现概率pAbusive = sum(trainCategory) / float(numTrainDocs)# 构造单词出现次数列表# p0Num 正常的统计# p1Num 侮辱的统计p0Num = ones(numWords)#[0,0......]->[1,1,1,1,1.....]p1Num = ones(numWords)# 整个数据集单词出现总数，2.0根据样本/实际调查结果调整分母的值（2主要是避免分母为0，当然值可以调整）# p0Denom 正常的统计# p1Denom 侮辱的统计p0Denom = 2.0p1Denom = 2.0for i in range(numTrainDocs):if trainCategory[i] == 1:# 累加辱骂词的频次p1Num += trainMatrix[i]# 对每篇文章的辱骂的频次 进行统计汇总p1Denom += sum(trainMatrix[i])else:p0Num += trainMatrix[i]p0Denom += sum(trainMatrix[i])p1Vect = log(p1Num / p1Denom)p0Vect = log(p0Num / p0Denom)return p0Vect, p1Vect, pAbusive

使用算法: 对社区留言板言论进行分类并且测试

def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):# 将乘法转换为加法 使用优化算法 之前的乘法换成log之后直接用加法就可以#乘法：P(C|F1F2...Fn) = P(F1F2...Fn|C)P(C)/P(F1F2...Fn)#加法：P(F1|C)*P(F2|C)....P(Fn|C)P(C) -> log(P(F1|C))+log(P(F2|C))+....+log(P(Fn|C))+log(P(C))# p1 = reduce(lambda x,y:x*y, vec2Classify * p1Vec) * pClass1                #对应元素相乘# p0 = reduce(lambda x,y:x*y, vec2Classify * p0Vec) * (1.0 - pClass1)p1 = sum(vec2Classify * p1Vec) + log(pClass1) # P(w|c1) * P(c1) ，即贝叶斯准则的分子p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1) # P(w|c0) * P(c0) ，即贝叶斯准则的分子·print('p0:',p0)print('p1:',p1)if p1 > p0:return 1else: return 0

我们测试了两个词条，在使用分类器前，也需要对词条向量化，然后使用classifyNB()函数，用朴素贝叶斯公式，计算词条向量属于侮辱类和非侮辱类的概率。运行结果如下：