机器学习 | 朴素贝叶斯
因为近期学业繁重QAQ，因此我就不说废话了，直接上代码~app
朴素贝叶斯进行文本词汇分类
from numpy import *
#词表到向量的转换
#建立实验样本，返回的是进行词条切分后的文档集合，
#还有一个类别标签——侮辱性的or非侮辱性的
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']]
#1 表明侮辱性文字 0表明正常言论
classVec = [0,1,0,1,0,1]
return postingList,classVec
#建立一个包含在全部文档中出现的不重复的词的列表
def createVocabList(dataSet):
vocabSet=set([])
#document:['my', 'dog', 'has', 'flea', 'problems', 'help', 'please']
for document in dataSet:
#求并集
vocabSet=vocabSet|set(document)
#print(vocabSet)
return list(vocabSet)
#参数为词汇表以及某个文档，输出的是文档向量
#输出的向量的每个元素为1或0，表示词汇表中
#的单词在输入文档中是否出现
def setOfWords2Vec(vocabList,inputSet):
#建立一个所含元素都为0的向量
returnVec=[0]*len(vocabList)
#遍历文档中的全部单词，若是出现了词汇表中的单词，
#则将输出文档的对应值设为1
for word in inputSet:
if word in vocabList:
returnVec[vocabList.index(word)]=1
else:
print("the word: %s is not in my Vocabulary!"%word)
return returnVec
#输入的参数：文档矩阵trainMatrix
#由每篇文档类别标签构成的向量trainCategory
#朴素贝叶斯分类器训练函数
#trainMatrix:每一个词向量中的词，在词汇表中出现的就是1
#trainMatrix:[[0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0],
#[0, 1, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 1, 0, 0, 0],
#[1, 0, 1, 1, 1, 1, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0],
#[0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0],
#[0, 1, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1],
#[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 1, 0, 0]]
#该词向量中带有侮辱性的词的就是1
#trainCategory:[0, 1, 0, 1, 0, 1]
def trainNBO(trainMatrix,trainCategory):
#一共有几个词向量
numTrainDocs=len(trainMatrix)
#词汇表的长度
numWords=len(trainMatrix[0])
#3/6 表示6个词向量中，3个带侮辱词
pAbusive=sum(trainCategory)/float(numTrainDocs)
#初始化几率
p0Num=ones(numWords)
p1Num=ones(numWords)
p0Denom=2.0;p1Denom=2.0
#遍历训练集trainMatrix中的全部文档
#一旦某个词在某一文档中出现
#该文档的总词数加1
#两个类别都要进行一样的处理
#i：012345
for i in range(numTrainDocs):
#该词向量带侮辱
if trainCategory[i]==1:
#向量相加
p1Num+=trainMatrix[i]
p1Denom+=sum(trainMatrix[i])
else:
p0Num+=trainMatrix[i]
p0Denom+=sum(trainMatrix[i])
#每一个元素除以该类别的总词数
p1Vect=log(p1Num/p1Denom)
p0Vect=log(p0Num/p0Denom)
return p0Vect,p1Vect,pAbusive
#朴素贝叶斯分类函数
def classifyNB(vec2Classify,p0Vec,p1Vec,pClass1):
#元素相乘
p1=sum(vec2Classify*p1Vec)+log(pClass1)
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=[]
#使用词向量填充trainMat列表
for postinDoc in listOPosts:
Vec01=setOfWords2Vec(myVocabList,postinDoc)
trainMat.append(Vec01)
p0V,p1V,pAb=trainNBO(trainMat,listClasses)
#测试集
testEntry=['love','my','dalmation']
thisDoc=array(setOfWords2Vec(myVocabList,testEntry))
#print(thisDoc)
print(testEntry,' classified as: ',classifyNB(thisDoc,p0V,p1V,pAb))
testEntry=['stupid','garbage']
thisDoc=array(setOfWords2Vec(myVocabList,testEntry))
#print(thisDoc)
print(testEntry,' classified as: ',classifyNB(thisDoc,p0V,p1V,pAb))
def main():
testingNB()
#建立数据
#listOPosts,listClasses=loadDataSet()
#print(listOPosts)
#构建一个包含全部词的列表
#myVocabList=createVocabList(listOPosts)
#print(myVocabList)
#returnVec=setOfWords2Vec(myVocabList,listOPosts[0])
#print(returnVec)
#trainMat=[]
#使用词向量填充trainMat列表
#for postinDoc in listOPosts:
#传入词汇表 以及每一行词向量
#返回的是一个与词汇表一样size的向量
#1表示这个词在词向量中出现过
#Vec01=setOfWords2Vec(myVocabList,postinDoc)
#print(Vec01)
#将01list填充trainMat
#trainMat.append(Vec01)
#print(trainMat)
#print(listClasses)
#p0V,p1V,pAB=trainNBO(trainMat,listClasses)
#print(p0V)
#print(p1V)
#print(pAB)
if __name__=='__main__':
main()
朴素贝叶斯分类垃圾邮件
#文件解析及完整的垃圾邮件测试函数
#返回传入的bigString中的单词
#接收一大个字符串并将其解析为字符串列表
#去掉少于两个字符的字符串，并将全部的字符串转换成小写
def textParse(bigString):
listOfTokens=re.split(r'\W*',bigString)
return [tok.lower() for tok in listOfTokens if len(tok)>2]
#对贝叶斯垃圾邮件分类器进行自动化处理
#导入spam与ham下的文本文件，并将它们转换为词列表
#存留交叉验证：随机选择数据中的一部分做为训练集，
#而剩余的部分做为测试集
def spamTest():
docList=[]
classList=[]
fullText=[]
for i in range(1,26):
wordList=textParse(open('./MLiA_SourceCode/machinelearninginaction/Ch04/email/spam/%d.txt' % i).read())
#每篇邮件中组成的list
#[[...],[...],[...]...]
docList.append(wordList)
#所有邮件组成的大list
#[...]
fullText.extend(wordList)
#1010组成的list
classList.append(1)
wordList=textParse(open('./MLiA_SourceCode/machinelearninginaction/Ch04/email/ham/%d.txt' % i).read())
docList.append(wordList)
fullText.extend(wordList)
classList.append(0)
#print(docList)
#print(fullText)
#print(classList)
#建立词汇表——全部的单词都只出现一次
vocabList=createVocabList(docList)
#print(vocabList)
#[1,2,...49]
trainingSet=list(range(50))
#print(trainingSet)
testSet=[]
#建立测试集
#随机选取10个文件做为测试集
for i in range(10):
#在1-49中取随机数
randIndex=int(random.uniform(0,len(trainingSet)))
#print(randIndex)
testSet.append(trainingSet[randIndex])
#将选出来的数从训练集中delete
del(trainingSet[randIndex])
#[2, 6, 15, 31, 23, 12, 3, 17, 37, 47]
#print(testSet)
trainMat=[]
trainClasses=[]
#进行训练
for docIndex in trainingSet:
#返回一个和词汇表size同样的list，为1的表示这个词汇在词汇表中出现过
trainMat.append(setOfWords2Vec(vocabList,docList[docIndex]))
trainClasses.append(classList[docIndex])
#print(trainMat)
#print(trainClasses)
#计算分类所需的几率
p0V,p1V,pSpam=trainNBO(array(trainMat),array(trainClasses))
errorCount=0
#进行测试
#遍历测试集，进行分类
for docIndex in testSet:
wordVector=setOfWords2Vec(vocabList,docList[docIndex])
#对测试集分类的准确性进行判断
if classifyNB(array(wordVector),p0V,p1V,pSpam)!=classList[docIndex]:
errorCount+=1
print("classification error",docList[docIndex])
#求出平均错误率
print('the error rate is: ',float(errorCount)/len(testSet))
使用朴素贝叶斯分类器从我的广告中获取区域倾向
#使用朴素贝叶斯分类器从我的广告中获取区域倾向
#rss源：https://www.nasa.gov/rss/dyn/image_of_the_day.rss
#http://www.ftchinese.com/rss/news
#RSS源分类器及高频词去除函数
#遍历词汇表中的每一个词 并统计他在文本中出现的次数
#根据出现次数从高到低对词典进行排序，最后返回排序最高的100个词
def calcMostFreq(vocabList,fullText):
freqDict={}
for token in vocabList:
freqDict[token]=fullText.count(token)
#获得词汇及其出现的次数
#{'hours': 1, 'airbus': 1, '柯特妮': 1, ... }
#print(freqDict)
sortedFreq=sorted(freqDict.items(),key=operator.itemgetter(1),reverse=True)
#进行排序
#[('the', 32), ('http', 22), ('ftimg', 20), ... ]
#print(sortedFreq)
return sortedFreq[:30]
#使用两个rss源做为参数
def localWords(feed1,feed0):
docList=[]
classList=[]
fullText=[]
minLen=min(len(feed1['entries']),len(feed0['entries']))
for i in range(minLen):
#将summary的内容拆分红一个个单词
wordList=textParse(feed1['entries'][i]['summary'])
docList.append(wordList)
fullText.extend(wordList)
classList.append(1)
wordList=textParse(feed0['entries'][i]['summary'])
docList.append(wordList)
fullText.extend(wordList)
classList.append(0)
#建立词汇表
vocabList=createVocabList(docList)
##增长下面三行代码会致使错误率升高
#获得词汇表中出现频率最高的top30
top30Words=calcMostFreq(vocabList,fullText)
#将高频词汇去除
for pairW in top30Words:
if pairW[0] in vocabList: vocabList.remove(pairW[0])
##
#建立训练集与测试集
trainingSet=list(range(2*minLen))
testSet=[]
for i in range(20):
randIndex=int(random.uniform(0,len(trainingSet)))
testSet.append(trainingSet[randIndex])
del(trainingSet[randIndex])
trainMat=[]
trainClasses=[]
#开始训练
for docIndex in trainingSet:
trainMat.append(bagOfWords2VecMN(vocabList,docList[docIndex]))
trainClasses.append(classList[docIndex])
#print(trainMat)
p0V,p1V,pSpam=trainNBO(array(trainMat),array(trainClasses))
errorCount=0
for docIndex in testSet:
wordVector=bagOfWords2VecMN(vocabList,docList[docIndex])
if classifyNB(array(wordVector),p0V,p1V,pSpam)!=classList[docIndex]:
errorCount+=1
print('the error rate is: ',float(errorCount)/len(testSet))
return vocabList,p0V,p1V
#显示地域相关的用词
def getTopWords(ny,sf):
import operator
vocabList,p0V,p1V=localWords(ny,sf)
topNY=[]
topSF=[]
for i in range(len(p0V)):
#print(p0V[i])
if p0V[i]>-5.0:
topSF.append((vocabList[i],p0V[i]))
if p1V[i]>-5.0:
topNY.append((vocabList[i],p1V[i]))
sortedSF=sorted(topSF,key=lambda pair:pair[1],reverse=True)
print("SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF")
for item in sortedSF:
print(item[0])
sortedNY=sorted(topNY,key=lambda pair:pair[1],reverse=True)
print("NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY")
for item in sortedNY:
print(item[0])
完整代码
from numpy import *
import feedparser
import re
import operator
#词表到向量的转换
#建立实验样本，返回的是进行词条切分后的文档集合，
#还有一个类别标签——侮辱性的or非侮辱性的
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']]
#1 表明侮辱性文字 0表明正常言论
classVec = [0,1,0,1,0,1]
return postingList,classVec
#建立一个包含在全部文档中出现的不重复的词的列表
def createVocabList(dataSet):
vocabSet=set([])
#document:['my', 'dog', 'has', 'flea', 'problems', 'help', 'please']
for document in dataSet:
#求并集
vocabSet=vocabSet|set(document)
#print(vocabSet)
return list(vocabSet)
#参数为词汇表以及某个文档，输出的是文档向量
#输出的向量的每个元素为1或0，表示词汇表中
#的单词在输入文档中是否出现
def setOfWords2Vec(vocabList,inputSet):
#建立一个所含元素都为0的向量
returnVec=[0]*len(vocabList)
#遍历文档中的全部单词，若是出现了词汇表中的单词，
#则将输出文档的对应值设为1
for word in inputSet:
if word in vocabList:
returnVec[vocabList.index(word)]=1
else:
print("the word: %s is not in my Vocabulary!"%word)
return returnVec
#朴素贝叶斯词袋模型
#与上面的setOfWords2Vec功能基本相同，
#只是每遇到一个单词就会增长词向量中对应的值
#而不是简单地设置1
def bagOfWords2VecMN(vocabList,inputSet):
returnVec =[0]*len(vocabList)
for word in inputSet:
if word in vocabList:
returnVec[vocabList.index(word)]+=1
return returnVec
#输入的参数：文档矩阵trainMatrix
#由每篇文档类别标签构成的向量trainCategory
#朴素贝叶斯分类器训练函数
#trainMatrix:每一个词向量中的词，在词汇表中出现的就是1
#trainMatrix:[[0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0],
#[0, 1, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 1, 0, 0, 0],
#[1, 0, 1, 1, 1, 1, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0],
#[0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0],
#[0, 1, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1],
#[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 1, 0, 0]]
#该词向量中带有侮辱性的词的就是1
#trainCategory:[0, 1, 0, 1, 0, 1]
def trainNBO(trainMatrix,trainCategory):
#一共有几个词向量
numTrainDocs=len(trainMatrix)
#词汇表的长度
numWords=len(trainMatrix[0])
#3/6 表示6个词向量中，3个带侮辱词
pAbusive=sum(trainCategory)/float(numTrainDocs)
#初始化几率
p0Num=ones(numWords)
p1Num=ones(numWords)
p0Denom=2.0;p1Denom=2.0
#遍历训练集trainMatrix中的全部文档
#一旦某个词在某一文档中出现
#该文档的总词数加1
#两个类别都要进行一样的处理
#i：012345
for i in range(numTrainDocs):
#该词向量带侮辱
if trainCategory[i]==1:
#向量相加
p1Num+=trainMatrix[i]
p1Denom+=sum(trainMatrix[i])
else:
p0Num+=trainMatrix[i]
p0Denom+=sum(trainMatrix[i])
#每一个元素除以该类别的总词数
p1Vect=log(p1Num/p1Denom)
p0Vect=log(p0Num/p0Denom)
return p0Vect,p1Vect,pAbusive
#朴素贝叶斯分类函数
def classifyNB(vec2Classify,p0Vec,p1Vec,pClass1):
#元素相乘
p1=sum(vec2Classify*p1Vec)+log(pClass1)
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=[]
#使用词向量填充trainMat列表
for postinDoc in listOPosts:
Vec01=setOfWords2Vec(myVocabList,postinDoc)
trainMat.append(Vec01)
p0V,p1V,pAb=trainNBO(trainMat,listClasses)
#测试集
testEntry=['love','my','dalmation']
thisDoc=array(setOfWords2Vec(myVocabList,testEntry))
#print(thisDoc)
print(testEntry,' classified as: ',classifyNB(thisDoc,p0V,p1V,pAb))
testEntry=['stupid','garbage']
thisDoc=array(setOfWords2Vec(myVocabList,testEntry))
#print(thisDoc)
print(testEntry,' classified as: ',classifyNB(thisDoc,p0V,p1V,pAb))
#文件解析及完整的垃圾邮件测试函数
#返回传入的bigString中的单词
#接收一大个字符串并将其解析为字符串列表
#去掉少于两个字符的字符串，并将全部的字符串转换成小写
def textParse(bigString):
listOfTokens=re.split(r'\W*',bigString)
return [tok.lower() for tok in listOfTokens if len(tok)>2]
#对贝叶斯垃圾邮件分类器进行自动化处理
#导入spam与ham下的文本文件，并将它们转换为词列表
#存留交叉验证：随机选择数据中的一部分做为训练集，
#而剩余的部分做为测试集
def spamTest():
docList=[]
classList=[]
fullText=[]
for i in range(1,26):
wordList=textParse(open('./MLiA_SourceCode/machinelearninginaction/Ch04/email/spam/%d.txt' % i).read())
#每篇邮件中组成的list
#[[...],[...],[...]...]
docList.append(wordList)
#所有邮件组成的大list
#[...]
fullText.extend(wordList)
#1010组成的list
classList.append(1)
wordList=textParse(open('./MLiA_SourceCode/machinelearninginaction/Ch04/email/ham/%d.txt' % i).read())
docList.append(wordList)
fullText.extend(wordList)
classList.append(0)
#print(docList)
#print(fullText)
#print(classList)
#建立词汇表——全部的单词都只出现一次
vocabList=createVocabList(docList)
#print(vocabList)
#[1,2,...49]
trainingSet=list(range(50))
#print(trainingSet)
testSet=[]
#建立测试集
#随机选取10个文件做为测试集
for i in range(10):
#在1-49中取随机数
randIndex=int(random.uniform(0,len(trainingSet)))
#print(randIndex)
testSet.append(trainingSet[randIndex])
#将选出来的数从训练集中delete
del(trainingSet[randIndex])
#[2, 6, 15, 31, 23, 12, 3, 17, 37, 47]
#print(testSet)
trainMat=[]
trainClasses=[]
#进行训练
for docIndex in trainingSet:
#返回一个和词汇表size同样的list，为1的表示这个词汇在词汇表中出现过
trainMat.append(setOfWords2Vec(vocabList,docList[docIndex]))
trainClasses.append(classList[docIndex])
#print(trainMat)
#print(trainClasses)
#计算分类所需的几率
p0V,p1V,pSpam=trainNBO(array(trainMat),array(trainClasses))
errorCount=0
#进行测试
#遍历测试集，进行分类
for docIndex in testSet:
wordVector=setOfWords2Vec(vocabList,docList[docIndex])
#对测试集分类的准确性进行判断
if classifyNB(array(wordVector),p0V,p1V,pSpam)!=classList[docIndex]:
errorCount+=1
print("classification error",docList[docIndex])
#求出平均错误率
print('the error rate is: ',float(errorCount)/len(testSet))
#使用朴素贝叶斯分类器从我的广告中获取区域倾向
#rss源：https://www.nasa.gov/rss/dyn/image_of_the_day.rss
#http://www.ftchinese.com/rss/news
#RSS源分类器及高频词去除函数
#遍历词汇表中的每一个词 并统计他在文本中出现的次数
#根据出现次数从高到低对词典进行排序，最后返回排序最高的100个词
def calcMostFreq(vocabList,fullText):
freqDict={}
for token in vocabList:
freqDict[token]=fullText.count(token)
#获得词汇及其出现的次数
#{'hours': 1, 'airbus': 1, '柯特妮': 1, ... }
#print(freqDict)
sortedFreq=sorted(freqDict.items(),key=operator.itemgetter(1),reverse=True)
#进行排序
#[('the', 32), ('http', 22), ('ftimg', 20), ... ]
#print(sortedFreq)
return sortedFreq[:30]
#使用两个rss源做为参数
def localWords(feed1,feed0):
docList=[]
classList=[]
fullText=[]
minLen=min(len(feed1['entries']),len(feed0['entries']))
for i in range(minLen):
#将summary的内容拆分红一个个单词
wordList=textParse(feed1['entries'][i]['summary'])
docList.append(wordList)
fullText.extend(wordList)
classList.append(1)
wordList=textParse(feed0['entries'][i]['summary'])
docList.append(wordList)
fullText.extend(wordList)
classList.append(0)
#建立词汇表
vocabList=createVocabList(docList)
##增长下面三行代码会致使错误率升高
#获得词汇表中出现频率最高的top30
top30Words=calcMostFreq(vocabList,fullText)
#将高频词汇去除
for pairW in top30Words:
if pairW[0] in vocabList: vocabList.remove(pairW[0])
##
#建立训练集与测试集
trainingSet=list(range(2*minLen))
testSet=[]
for i in range(20):
randIndex=int(random.uniform(0,len(trainingSet)))
testSet.append(trainingSet[randIndex])
del(trainingSet[randIndex])
trainMat=[]
trainClasses=[]
#开始训练
for docIndex in trainingSet:
trainMat.append(bagOfWords2VecMN(vocabList,docList[docIndex]))
trainClasses.append(classList[docIndex])
#print(trainMat)
p0V,p1V,pSpam=trainNBO(array(trainMat),array(trainClasses))
errorCount=0
for docIndex in testSet:
wordVector=bagOfWords2VecMN(vocabList,docList[docIndex])
if classifyNB(array(wordVector),p0V,p1V,pSpam)!=classList[docIndex]:
errorCount+=1
print('the error rate is: ',float(errorCount)/len(testSet))
return vocabList,p0V,p1V
#显示地域相关的用词
def getTopWords(ny,sf):
import operator
vocabList,p0V,p1V=localWords(ny,sf)
topNY=[]
topSF=[]
for i in range(len(p0V)):
#print(p0V[i])
if p0V[i]>-5.0:
topSF.append((vocabList[i],p0V[i]))
if p1V[i]>-5.0:
topNY.append((vocabList[i],p1V[i]))
sortedSF=sorted(topSF,key=lambda pair:pair[1],reverse=True)
print("SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF")
for item in sortedSF:
print(item[0])
sortedNY=sorted(topNY,key=lambda pair:pair[1],reverse=True)
print("NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY")
for item in sortedNY:
print(item[0])
#rss源：https://www.nasa.gov/rss/dyn/image_of_the_day.rss
#http://www.ftchinese.com/rss/news
def main():
ny=feedparser.parse('https://www.nasa.gov/rss/dyn/image_of_the_day.rss')
sf=feedparser.parse('http://www.ftchinese.com/rss/news')
#vocabList,pSF,pNY=localWords(ny,sf)
getTopWords(ny,sf)
#vocabList,pSF,pNY=localWords(ny,sf)
#spamTest()
#testingNB()
#建立数据
#listOPosts,listClasses=loadDataSet()
#print(listOPosts)
#构建一个包含全部词的列表
#myVocabList=createVocabList(listOPosts)
#print(myVocabList)
#returnVec=setOfWords2Vec(myVocabList,listOPosts[0])
#print(returnVec)
#trainMat=[]
#使用词向量填充trainMat列表
#for postinDoc in listOPosts:
#传入词汇表 以及每一行词向量
#返回的是一个与词汇表一样size的向量
#1表示这个词在词向量中出现过
#Vec01=setOfWords2Vec(myVocabList,postinDoc)
#print(Vec01)
#将01list填充trainMat
#trainMat.append(Vec01)
#print(trainMat)
#print(listClasses)
#p0V,p1V,pAB=trainNBO(trainMat,listClasses)
#print(p0V)
#print(p1V)
#print(pAB)
if __name__=='__main__':
main()
相关文章
- 1. 机器学习 - 朴素贝叶斯（下）- 朴素贝叶斯分类器
- 2. 机器学习之朴素贝叶斯
- 3. 机器学习-1-朴素贝叶斯
- 4. 机器学习-朴素贝叶斯法
- 5. 机器学习- 朴素贝叶斯
- 6. 机器学习 朴素贝叶斯
- 7. 机器学习（七）~朴素贝叶斯
- 8. 机器学习-朴素贝叶斯
- 9. 机器学习之朴素贝叶斯、贝叶斯网络
- 10. 【机器学习】朴素贝叶斯-贝叶斯公式
- 更多相关文章...
- • 您已经学习了 XML Schema，下一步学习什么呢？ - XML Schema 教程
- • 我们已经学习了 SQL，下一步学习什么呢？ - SQL 教程
- • Tomcat学习笔记（史上最全tomcat学习笔记）
- • 适用于PHP初学者的学习线路和建议
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
最新文章
- 1. 字节跳动21届秋招运营两轮面试经验分享
- 2. Java 3 年，25K 多吗？
- 3. mysql安装部署
- 4. web前端开发中父链和子链方式实现通信
- 5. 3.1.6 spark体系之分布式计算-scala编程-scala中trait特性
- 6. dataframe2
- 7. ThinkFree在线
- 8. 在线画图
- 9. devtools热部署
- 10. 编译和链接
欢迎关注本站公众号,获取更多信息
相关文章
- 1. 机器学习 - 朴素贝叶斯（下）- 朴素贝叶斯分类器
- 2. 机器学习之朴素贝叶斯
- 3. 机器学习-1-朴素贝叶斯
- 4. 机器学习-朴素贝叶斯法
- 5. 机器学习- 朴素贝叶斯
- 6. 机器学习 朴素贝叶斯
- 7. 机器学习（七）~朴素贝叶斯
- 8. 机器学习-朴素贝叶斯
- 9. 机器学习之朴素贝叶斯、贝叶斯网络
- 10. 【机器学习】朴素贝叶斯-贝叶斯公式