朴素贝叶斯分类器基本代码 && n折交叉优化

自己也是刚刚入门。。

没脸把自己的代码放上去，先用别人的。

加上自己的解析，挺全面的，希望有用。

import re
import pandas as pd
import numpy as np
from sklearn.metrics import roc_auc_score
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB as MNB #朴素贝叶斯公式
from sklearn.model_selection  import cross_val_score
def proces(review):
    #把review转成词序列
    review_text=re.sub("[^a-zA-Z]"," ",review) #非大小写字母的字符替换成空格
    #re.sub是正则表达式的函数，实现比普通字符串更强大的替换功能
    #print(review_text)
    words=review_text.lower().split() #全转换为小写后，根据空格分割单词
    #print(words)
    return words
train=pd.read_csv('train.csv',lineterminator='\n') #使用pandas的read读取文件，以换行符号为止为一段数据
'''
官方文件：
pandas.read_csv(filepath_or_buffer, sep=', ', delimiter=None, header='infer',
names=None, index_col=None, usecols=None, squeeze=False, prefix=None,
mangle_dupe_cols=True, dtype=None, engine=None, converters=None,
true_values=None, false_values=None, skipinitialspace=False,
skiprows=None, nrows=None, na_values=None, keep_default_na=True,
 na_filter=True, verbose=False, skip_blank_lines=True,
 parse_dates=False, infer_datetime_format=False, keep_date_col=False,
 date_parser=None, dayfirst=False, iterator=False, chunksize=None,
 compression='infer', thousands=None, decimal=b'.', lineterminator=None,
  quotechar='"', quoting=0, escapechar=None, comment=None, encoding=None,
  dialect=None, tupleize_cols=None, error_bad_lines=True, warn_bad_lines=True,
   skipfooter=0, doublequote=True, delim_whitespace=False,
   low_memory=True, memory_map=False, float_precision=None）

   https://blog.csdn.net/sinat_35562946/article/details/81058221
   这个博客讲的还行
'''
print(train.head(5))
x=train['review']
#print(x)
y=train['label']
#print(y)
'''
x与y分离train中的记录和标签
'''
class_mapping = {'Negative': 0, 'Positive': 1}

y=y.map(class_mapping)
#把label中的Negative,Positive转换成0,1标签
test=pd.read_csv('test.csv', lineterminator='\n')
z=test['review']
w=test['label']
'''
x与y分离test中的记录和标签
'''
w=w.map(class_mapping)
train_data=[]
for i in range(len(x)):
    train_data.append(' '.join(proces(x[i]))) #用空格将train.data的list里的words串联在一起
    pass
test_data=[]
for i in range(len(z)):
    test_data.append(' '.join(proces(z[i]))) #用空格将test_data的list里的words串联在一起
    pass

data_all=train_data+test_data #所有词合并成大表data
#print(data_all)
#TF-IDF倾向于过滤掉常见的词语，保留重要的词语。
count_vec = TfidfVectorizer(min_df=2, #严格忽略低于给出阈值的文档频率的词条，语料指定的停用词。
                            analyzer='word', #定义特征为词（word）
                            ngram_range=(1, 3), #ngram_range(min,max)是指将text分成min，min+1，min+2,.........max 个不同的词组
                            use_idf=1, #使用idf重新计算权重
                            smooth_idf=1, #分母加一
                            sublinear_tf=1, #线性缩放TF
                            stop_words='english' #忽略英文停用词
                            )
'''
    min_df：float in range [0.0, 1.0] or int, optional, 1.0 by default
    当构建词汇表时，严格忽略低于给出阈值的文档频率的词条，语料指定的停用词。
    如果是浮点值，该参数代表文档的比例，整型绝对计数值，如果词汇表不为None，此参数被忽略。

    analyzer：string，{‘word’, ‘char’} or callable
    定义特征为词（word）或n-gram字符，如果传递给它的调用被用于抽取未处理输入源文件的特征序列

    ngram_range: tuple(min_n, max_n)
    要提取的n-gram的n-values的下限和上限范围，在min_n <= n <= max_n区间的n的全部值
    中ngram_range(min,max)是指将text分成min，min+1，min+2,.........max 个不同的词组

    比如'Python is useful'中ngram_range(1,3)之后可得到:
    'Python'  'is'  'useful'  'Python is'  'is useful' 和'Python is useful'如果是ngram_range (1,1) 则只能得到单个单词'Python'  'is'和'useful'

    use_idf：boolean， optional
    启动inverse-document-frequency重新计算权重

    smooth_idf：boolean，optional
    通过加1到文档频率(底数)平滑idf权重，为防止除零 <-> 加入一个额外的文档

    sublinear_tf：boolean， optional
    应用线性缩放TF，例如，使用1+log(tf)覆盖tf。注意，python中log默认取自然对数！
'''
lenth=len(train_data)
count_vec.fit(data_all)
data_all=count_vec.transform(data_all)
train_data=data_all[:lenth]
test_data=data_all[lenth:]

#训练朴素贝叶斯分类器
model=MNB()
model.fit(train_data,y)
pred=model.predict(test_data)
MNB(alpha=1.0, class_prior=None, fit_prior=True)
#print("roc_auc",roc_auc_score(w, pred))
MX = 0;
for i in range(5, 10):
    MX = max(MX, np.mean(cross_val_score(model, train_data, y, cv=i, scoring='roc_auc'))) #2分类模型
print("多项式贝叶斯分类器10折交叉验证得分: ", MX)
'''
不同的训练集、测试集分割的方法导致其准确率不同.
而交叉验证的基本思想是：将数据集进行一系列分割，生成一组不同的训练测试集，然后分别训练模型并计算测试准确率，
最后对结果进行平均处理。这样来有效降低测试准确率的差异。
'''