一、贝叶斯定理引入
1、朴素贝叶斯：
朴素贝叶斯中的朴素一词的来源就是假设各特征之间相互独立。这一假设使得朴素贝叶斯算法变得简单，但有时会牺牲一定的分类准确率。
2、贝叶斯公式：
3、换成分类任务的表达式
那么我们最终求的p(类别|特征)即可！就相当于完成了我们的任务。
分母的计算用到全概率公式（其实就是分子之和）：
二、数据集介绍
1、原始数据集
2、测试数据集
为了减少任务量，测试数据集为自己在原始数据集上打乱后所得。
三、文本分类步骤
四、TF-IDF逆文本频率指数
概念
TF-IDF（term frequency–inverse document frequency）是信息处理和数据挖掘的重要算法，它属于统计类方法。最常见的用法是寻找一篇文章的关键词。
是一种统计方法，用以评估一个词对于一个语料库中一份文件的重要程度。词的重要性随着在文件中出现 的次数正比增加，同时随着它在语料库其他文件中出现的频率反比下降。就是说一个词在某一文档中出现次数比较多，其他文档没有出现，说明该词对该文档分类很重要。然而如果其他文档也出现比较多，说明该词区分性不大，就用IDF来降低该词的权重。
公式如下：
TF（词频）是某个词在这篇文章中出现的频率，频率越高越可能是关键字。它具体的计算方法如上面公式所示：某关键在文章中出现的次数除以该文章中所有词的个数，其中的i是词索引号，j是文章的索引号，k是文件中出现的所有词。
IDF（逆向文档频率）是这个词出现在其它文章的频率，它具体的计算方法如上式所示：其中分子是文章总数，分母是包含该关键字的文章数目，如果包含该关键字的文件数为0，则分子为0，为解决此问题，分母计算时常常加1。当关键字，如“的”，在大多数文章中都出现，计算出的idf值算小。
把TF和IDF相乘，就是这个词在该文章中的重要程度。
数学思想：
TF-IDF与一个词在文档中的出现次数成正比，与该词在整个语言中的出现次数成反比.
TF-IDF = TF (词频) * IDF(逆文档频率) 词频：TF = 词在文档中出现的次数 / 文档中总词数 逆文档频率：IDF = log（语料库中文档总数 / 包含该词的文档数 +1 ）
五、代码实现
# -*- coding: utf-8 -*-# @File : TextClassification.py# @Author: Junhui Yu# @Date : /8/28import jiebafrom numpy import *import pickle # 持久化import osfrom sklearn.feature_extraction.text import TfidfTransformer from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.datasets.base import Bunchfrom sklearn.naive_bayes import MultinomialNB def readFile(path):with open(path, 'r', errors='ignore') as file: content = file.read()file.close()return contentdef saveFile(path, result):with open(path, 'w', errors='ignore') as file:file.write(result)file.close()def segText(inputPath, resultPath):fatherLists = os.listdir(inputPath) # 主目录for eachDir in fatherLists: # 遍历主目录中各个文件夹eachPath = inputPath + eachDir + "/" # 保存主目录中每个文件夹目录，便于遍历二级文件each_resultPath = resultPath + eachDir + "/" # 分词结果文件存入的目录if not os.path.exists(each_resultPath):os.makedirs(each_resultPath)childLists = os.listdir(eachPath) # 获取每个文件夹中的各个文件for eachFile in childLists: # 遍历每个文件夹中的子文件eachPathFile = eachPath + eachFile # 获得每个文件路径# print(eachFile)content = readFile(eachPathFile) # 调用上面函数读取内容# content = str(content)result = (str(content)).replace("\r\n", "").strip() # 删除多余空行与空格# result = content.replace("\r\n","").strip()cutResult = jieba.cut(result) # 默认方式分词，分词结果用空格隔开saveFile(each_resultPath + eachFile, " ".join(cutResult)) # 调用上面函数保存文件def bunchSave(inputFile, outputFile):catelist = os.listdir(inputFile)bunch = Bunch(target_name=[], label=[], filenames=[], contents=[])bunch.target_name.extend(catelist) for eachDir in catelist:eachPath = inputFile + eachDir + "/"fileList = os.listdir(eachPath)for eachFile in fileList: # 二级目录中的每个子文件fullName = eachPath + eachFile # 二级目录子文件全路径bunch.label.append(eachDir) # 当前分类标签bunch.filenames.append(fullName) # 保存当前文件的路径bunch.contents.append(readFile(fullName).strip()) # 保存文件词向量with open(outputFile, 'wb') as file_obj: # 持久化必须用二进制访问模式打开pickle.dump(bunch, file_obj)def readBunch(path):with open(path, 'rb') as file:bunch = pickle.load(file)# pickle.load(file)# 函数的功能：将file中的对象序列化读出。return bunchdef writeBunch(path, bunchFile):with open(path, 'wb') as file:pickle.dump(bunchFile, file)def getStopWord(inputFile):stopWordList = readFile(inputFile).splitlines()return stopWordListdef getTFIDFMat(inputPath, stopWordList, outputPath,tftfidfspace_path,tfidfspace_arr_path,tfidfspace_vocabulary_path): # 求得TF-IDF向量bunch = readBunch(inputPath)tfidfspace = Bunch(target_name=bunch.target_name, label=bunch.label, filenames=bunch.filenames, tdm=[],vocabulary={})'''读取tfidfspace'''tfidfspace_out = str(tfidfspace)saveFile(tftfidfspace_path, tfidfspace_out)# 初始化向量空间vectorizer = TfidfVectorizer(stop_words=stopWordList, sublinear_tf=True, max_df=0.5)transformer = TfidfTransformer() # 文本转化为词频矩阵，单独保存字典文件tfidfspace.tdm = vectorizer.fit_transform(bunch.contents)tfidfspace_arr = str(vectorizer.fit_transform(bunch.contents))saveFile(tfidfspace_arr_path, tfidfspace_arr)tfidfspace.vocabulary = vectorizer.vocabulary_ # 获取词汇tfidfspace_vocabulary = str(vectorizer.vocabulary_)saveFile(tfidfspace_vocabulary_path, tfidfspace_vocabulary)'''over'''writeBunch(outputPath, tfidfspace)def getTestSpace(testSetPath, trainSpacePath, stopWordList, testSpacePath,testSpace_path,testSpace_arr_path,trainbunch_vocabulary_path):bunch = readBunch(testSetPath)# 构建测试集TF-IDF向量空间testSpace = Bunch(target_name=bunch.target_name, label=bunch.label, filenames=bunch.filenames, tdm=[],vocabulary={})'''读取testSpace'''testSpace_out = str(testSpace)saveFile(testSpace_path, testSpace_out)# 导入训练集的词袋trainbunch = readBunch(trainSpacePath)# 使用TfidfVectorizer初始化向量空间模型 使用训练集词袋向量vectorizer = TfidfVectorizer(stop_words=stopWordList, sublinear_tf=True, max_df=0.5,vocabulary=trainbunch.vocabulary)transformer = TfidfTransformer()testSpace.tdm = vectorizer.fit_transform(bunch.contents)testSpace.vocabulary = trainbunch.vocabularytestSpace_arr = str(testSpace.tdm)trainbunch_vocabulary = str(trainbunch.vocabulary)saveFile(testSpace_arr_path, testSpace_arr)saveFile(trainbunch_vocabulary_path, trainbunch_vocabulary)# 持久化writeBunch(testSpacePath, testSpace)def bayesAlgorithm(trainPath, testPath,tfidfspace_out_arr_path,tfidfspace_out_word_path,testspace_out_arr_path,testspace_out_word_apth):trainSet = readBunch(trainPath)testSet = readBunch(testPath)clf = MultinomialNB(alpha=0.001).fit(trainSet.tdm, trainSet.label)'''处理bat文件'''tfidfspace_out_arr = str(trainSet.tdm) tfidfspace_out_word = str(trainSet)saveFile(tfidfspace_out_arr_path, tfidfspace_out_arr) saveFile(tfidfspace_out_word_path, tfidfspace_out_word) testspace_out_arr = str(testSet)testspace_out_word = str(testSet.label)saveFile(testspace_out_arr_path, testspace_out_arr)saveFile(testspace_out_word_apth, testspace_out_word)'''处理结束'''predicted = clf.predict(testSet.tdm)total = len(predicted)rate = 0for flabel, fileName, expct_cate in zip(testSet.label, testSet.filenames, predicted):if flabel != expct_cate:rate += 1print(fileName, ":实际所属类别：", flabel, "-->预测所属类别：", expct_cate)print("整个测试数据集错误率:", float(rate) * 100 / float(total), "%")#if __name__ == '__main__':#原始集路径datapath = "./data/" #原始数据路径stopWord_path = "./stop/stopword.txt"#停用词路径test_path = "./test/" #测试集路径test_split_dat_path = "./test_set.dat" #测试集分词bat文件路径testspace_dat_path ="./testspace.dat" #测试集输出空间矩阵dat文件train_dat_path = "./train_set.dat" # 读取分词数据之后的词向量并保存为二进制文件tfidfspace_dat_path = "./tfidfspace.dat" #tf-idf词频空间向量的dat文件'''以上四个为dat文件路径，是为了存储信息做的'''test_split_path = './split/test_split/' split_datapath = "./split/split_data/" tfidfspace_path = "./tfidfspace.txt" tfidfspace_arr_path = "./tfidfspace_arr.txt" tfidfspace_vocabulary_path = "./tfidfspace_vocabulary.txt" testSpace_path = "./testSpace.txt" testSpace_arr_path = "./testSpace_arr.txt" trainbunch_vocabulary_path = "./trainbunch_vocabulary.txt" tfidfspace_out_arr_path = "./tfidfspace_out_arr.txt" tfidfspace_out_word_path = "./tfidfspace_out_word.txt" testspace_out_arr_path = "./testspace_out_arr.txt"testspace_out_word_apth ="./testspace_out_word.txt" #输入训练集segText(datapath,split_datapath)bunchSave(split_datapath,train_dat_path) stopWordList = getStopWord(stopWord_path) getTFIDFMat(train_dat_path, stopWordList, tfidfspace_dat_path, tfidfspace_path, tfidfspace_arr_path,tfidfspace_vocabulary_path) #输入测试集segText(test_path,test_split_path) bunchSave(test_split_path,test_split_dat_path) getTestSpace(test_split_dat_path,tfidfspace_dat_path,stopWordList,testspace_dat_path,testSpace_path,testSpace_arr_path,trainbunch_vocabulary_path)bayesAlgorithm(tfidfspace_dat_path,testspace_dat_path,tfidfspace_out_arr_path,tfidfspace_out_word_path,testspace_out_arr_path,testspace_out_word_apth)
