交叉訓(xùn)練

交叉訓(xùn)練簡(jiǎn)單點(diǎn)說(shuō)就是在同一份樣本中選擇部分作為測(cè)試樣本，剩余的作為訓(xùn)練樣本。這里一共有5574條數(shù)據(jù)，抽取1000條作為測(cè)試樣本（testdata）

trainset ＝ ［i for i in range（len（txt＿class））］

testset ＝ ［］

testclass ＝ ［］

for i in range（1000）：

number ＝ int（random．choice（trainset））

testset．a(chǎn)ppend（words＿vec（dataset［number］， wordlist））

testclass．a(chǎn)ppend（txt＿class［number］）

trainset．remove（number）

trainMat ＝ ［］；

trainclass ＝ ［］

for i in trainset：

trainMat．a(chǎn)ppend（words＿vec（dataset［i］， wordlist））

trainclass．a(chǎn)ppend（txt＿class［i］）

在這段代碼中，trainset是訓(xùn)練樣本的編號(hào)，testset是測(cè)試樣本的數(shù)據(jù)集，testclass表示測(cè)試樣本是否為垃圾廣告，trainmat是訓(xùn)練樣本數(shù)據(jù)集，trainclass表示訓(xùn)練樣本是否為垃圾廣告。

構(gòu)造訓(xùn)練器

現(xiàn)在來(lái)計(jì)算P（y1｜x），P（y2｜x）

def train（trainmatrix，traincategory）：

numword＝len（trainmatrix［0］）

numtrain＝len（trainmatrix）

pa＝sum（traincategory）／float（len（trainmatrix））

p0num，p1num＝ones（numword），ones（numword）

p0dem，p1dem＝2．0，2．0

for i in range（numtrain）：

if traincategory［i］＝＝1：

p1num＋＝trainmatrix［i］

p1dem＋＝sum（trainmatrix［i］）

else：

p0num＋＝trainmatrix［i］
          p0dem＋＝sum（trainmatrix［i］）

p1vect＝ log（p1num ／ p1dem）

p0vect ＝ log（p0num ／ p0dem）

return p1vect，p0vect，pap0num，p1num表示在類(lèi)別0和類(lèi)別1下各個(gè)單詞出現(xiàn)的總數(shù)；p1dem，p0dem表示類(lèi)別0和類(lèi)別1的單詞總數(shù)；p0vect和p1vect代表P（xi｜y0）以及P（xi｜y1）；這里進(jìn)行Log變化避免下溢；同時(shí)進(jìn)行了拉普拉斯平滑處理，即p0num，p1num的初始變量為ones（）。p1dem，p0dem則為2（一共有兩種結(jié)果，垃圾廣告和有用廣告，所以為2）

構(gòu)造分類(lèi)器

def classify（vec，p0vec，p1vec，pclass1）：

p1＝sum（vec＊p1vec）＋log（pclass1）

p0＝sum（vec＊p0vec）＋log（1．0－pclass1）

if p1＞p0：

return 1

else：

return 0

驗(yàn)證訓(xùn)練模型精確度

由于在進(jìn)行交叉訓(xùn)練時(shí)測(cè)試樣本是隨機(jī)抽取的，所以訓(xùn)練準(zhǔn)確度一直都不一樣，為了讓結(jié)果具有代表性，再構(gòu)造一個(gè)循環(huán)，進(jìn)行n次訓(xùn)練，取誤差的平均值。

def mul（num）：

totalerror ＝ 0

for times in range（num）：

＃通過(guò)交叉訓(xùn)練獲得訓(xùn)練樣本和測(cè)試樣本

p1vect， p0vect， pa ＝ train（trainMat， trainclass）

error＝0

for i in range（len（testset））：

if classify（array（testset［i］）， p0vect， p1vect， pa） �。� testclass［i］：

error ＋＝ 1

print（＇the accurate is＇， 1 － error ／ float（len（testset）））

totalerror＋＝error ／ float（len（testset））

print（＇after ％d times the accurate of bayes is ％f＇％（num，1－float（totalerror）／num））

這個(gè)模型的準(zhǔn)確度還是非常高的，平均精確度達(dá)到93．64％。

詞袋模型

請(qǐng)大家思考一個(gè)問(wèn)題，在垃圾廣告中有沒(méi)有一些詞會(huì)頻繁提到呢？如果頻繁的出現(xiàn)這個(gè)詞，是不是代表這則廣告為垃圾廣告的概率要增加？現(xiàn)在為止只是將某一個(gè)詞語(yǔ)是否出現(xiàn)當(dāng)作一個(gè)特征，這被稱(chēng)為詞集模型。如果一個(gè)詞出現(xiàn)次數(shù)不止一次，將它出現(xiàn)的次數(shù)作為一個(gè)特征就稱(chēng)為詞袋模型。這兩個(gè)模型的不同點(diǎn)在于詞語(yǔ)出現(xiàn)與否和出現(xiàn)次數(shù)，將函數(shù)word＿vec稍稍修改即可：

def words＿vec（txt，wordlist）：

returnvec＝［0］＊len（wordlist）

for word in txt：

if word in wordlist：

returnvec［list（wordlist）．index（word）］＝1＋returnvec［list（wordlist）．index（word）］

return returnvec

基于詞袋模型的平均準(zhǔn)確度高達(dá)93．63％；盡管比詞集模型小了0．01％；但是其中一個(gè)準(zhǔn)確率達(dá)到了95．5％；兩個(gè)模型都是很不錯(cuò)的呢。

如果是中文的話(huà)使用jieba就可以分詞噢。