機械学習実戦——練習(素朴ベイズ——迷惑メールフィルタリング)

シンプルベイズ——スパムフィルタリング

説明:50通のメールがあり、そのうちスパム25通、有用メール25通、スパムカテゴリ1、有用メールカテゴリ0、メールをフィルタする必要があります.実験の考え方:

まず、メールの形式を処理し、テキストはベクトル

に処理する.

その後、メールをランダムにトレーニングセットとテストセットに分け、割合4:1

訓練セットを取り出して訓練し,2つのカテゴリの確率分布

を得た.

試験セットは試験を取り出し、確率は計算カテゴリに持ち込み、誤り率

を計算する.

#  ， 
def textParse(bigString):  # input is big string, output is word list
    import re
    listOfTokens = re.split(r'\W*', bigString)
    return [tok.lower() for tok in listOfTokens if len(tok) > 2]


#  40 ，10 
def spamTest():
    docList = []
    classList = []
    fullText = []
    for i in range(1, 26):
        wordList = textParse(open('email/spam/%d.txt' % i).read())
        docList.append(wordList)
        fullText.extend(wordList)
        classList.append(1)
        wordList = textParse(open('email/ham/%d.txt' % i).read())
        docList.append(wordList)
        fullText.extend(wordList)
        classList.append(0)
    vocabList = createVocabList(docList)  # create vocabulary
    trainingSet = list(range(50))
    # print(trainingSet)
    testSet = []  # create test set
    #  10 ，40 
    for i in range(10):
        randIndex = int(random.uniform(0, len(trainingSet)))
        testSet.append(trainingSet[randIndex])
        del (trainingSet[randIndex])
    # print(testSet)
    # print(trainingSet)
    #  40 ， 
    trainMat = []
    trainClasses = []
    for docIndex in trainingSet:       # train the classifier (get probs) trainNB0
        trainMat.append(bagOfWords2VecMN(vocabList, docList[docIndex]))
        trainClasses.append(classList[docIndex])
    # print(trainMat)
    # print(trainClasses)
    p0V, p1V, pSpam = trainNB0(array(trainMat), array(trainClasses))
    errorCount = 0
    #  ， 
    for docIndex in testSet:            # classify the remaining items
        wordVector = bagOfWords2VecMN(vocabList, docList[docIndex])
        if classifyNB(array(wordVector), p0V, p1V, pSpam) != classList[docIndex]:
            errorCount += 1
            print("classification error", docList[docIndex])
    print('the error rate is: ', float(errorCount) / len(testSet))
    # return vocabList,fullText