交叉訓練

交叉訓練簡單點說就是在同一份樣本中選擇部分作為測試樣本，剩余的作為訓練樣本。這里一共有5574條數(shù)據(jù)，抽取1000條作為測試樣本（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是訓練樣本的編號，testset是測試樣本的數(shù)據(jù)集，testclass表示測試樣本是否為垃圾廣告，trainmat是訓練樣本數(shù)據(jù)集，trainclass表示訓練樣本是否為垃圾廣告。

構造訓練器

現(xiàn)在來計算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表示在類別0和類別1下各個單詞出現(xiàn)的總數(shù)；p1dem，p0dem表示類別0和類別1的單詞總數(shù)；p0vect和p1vect代表P（xi｜y0）以及P（xi｜y1）；這里進行Log變化避免下溢；同時進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（一共有兩種結果，垃圾廣告和有用廣告，所以為2）

構造分類器

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

驗證訓練模型精確度

由于在進行交叉訓練時測試樣本是隨機抽取的，所以訓練準確度一直都不一樣，為了讓結果具有代表性，再構造一個循環(huán)，進行n次訓練，取誤差的平均值。

def mul（num）：

totalerror ＝ 0

for times in range（num）：

＃通過交叉訓練獲得訓練樣本和測試樣本

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））

這個模型的準確度還是非常高的，平均精確度達到93．64％。

詞袋模型

請大家思考一個問題，在垃圾廣告中有沒有一些詞會頻繁提到呢？如果頻繁的出現(xiàn)這個詞，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詞語是否出現(xiàn)當作一個特征，這被稱為詞集模型。如果一個詞出現(xiàn)次數(shù)不止一次，將它出現(xiàn)的次數(shù)作為一個特征就稱為詞袋模型。這兩個模型的不同點在于詞語出現(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確度高達93．63％；盡管比詞集模型小了0．01％；但是其中一個準確率達到了95．5％；兩個模型都是很不錯的呢。

如果是中文的話使用jieba就可以分詞噢。