樸素貝葉斯分類算法并實(shí)現(xiàn)中文數(shù)據(jù)集的輿情分析案例

本文主要講述樸素貝葉斯分類算法并實(shí)現(xiàn)中文數(shù)據(jù)集的輿情分析案例，希望這篇文章對(duì)大家有所幫助，提供些思路。內(nèi)容包括：

1.樸素貝葉斯數(shù)學(xué)原理知識(shí)

2.naive_bayes用法及簡(jiǎn)單案例

3.中文文本數(shù)據(jù)集預(yù)處理

4.樸素貝葉斯中文文本輿情分析

本篇文章為基礎(chǔ)性文章，希望對(duì)你有所幫助，如果文章中存在錯(cuò)誤或不足之處，還請(qǐng)海涵。同時(shí)，推薦大家閱讀我以前的文章了解基礎(chǔ)知識(shí)。

▌一. 樸素貝葉斯數(shù)學(xué)原理知識(shí)

該基礎(chǔ)知識(shí)部分引用文章"機(jī)器學(xué)習(xí)之樸素貝葉斯(NB)分類算法與Python實(shí)現(xiàn)"（https://blog.csdn.net/moxigandashu/article/details/71480251），也強(qiáng)烈推薦大家閱讀博主moxigandashu的文章，寫得很好。同時(shí)作者也結(jié)合概率論講解，提升下自己較差的數(shù)學(xué)。

樸素貝葉斯（Naive Bayesian）是基于貝葉斯定理和特征條件獨(dú)立假設(shè)的分類方法，它通過特征計(jì)算分類的概率，選取概率大的情況，是基于概率論的一種機(jī)器學(xué)習(xí)分類（監(jiān)督學(xué)習(xí)）方法，被廣泛應(yīng)用于情感分類領(lǐng)域的分類器。

下面簡(jiǎn)單回顧下概率論知識(shí)：

1.什么是基于概率論的方法？

通過概率來衡量事件發(fā)生的可能性。概率論和統(tǒng)計(jì)學(xué)是兩個(gè)相反的概念，統(tǒng)計(jì)學(xué)是抽取部分樣本統(tǒng)計(jì)來估算總體情況，而概率論是通過總體情況來估計(jì)單個(gè)事件或部分事情的發(fā)生情況。概率論需要已知數(shù)據(jù)去預(yù)測(cè)未知的事件。

例如，我們看到天氣烏云密布，電閃雷鳴并陣陣狂風(fēng)，在這樣的天氣特征(F)下，我們推斷下雨的概率比不下雨的概率大，也就是p(下雨)>p(不下雨)，所以認(rèn)為待會(huì)兒會(huì)下雨，這個(gè)從經(jīng)驗(yàn)上看對(duì)概率進(jìn)行判斷。而氣象局通過多年長(zhǎng)期積累的數(shù)據(jù)，經(jīng)過計(jì)算，今天下雨的概率p(下雨)=85%、p(不下雨)=15%，同樣的 p(下雨)>p(不下雨)，因此今天的天氣預(yù)報(bào)肯定預(yù)報(bào)下雨。這是通過一定的方法計(jì)算概率從而對(duì)下雨事件進(jìn)行判斷。

2.條件概率

若Ω是全集，A、B是其中的事件（子集），P表示事件發(fā)生的概率，則條件概率表示某個(gè)事件發(fā)生時(shí)另一個(gè)事件發(fā)生的概率。假設(shè)事件B發(fā)生后事件A發(fā)生的概率為：

設(shè)P(A)>0，則有 P(AB) = P(B|A)P(A) = P(A|B)P(B)。

設(shè)A、B、C為事件，且P(AB)>0，則有 P(ABC) = P(A)P(B|A)P(C|AB)。

現(xiàn)在A和B是兩個(gè)相互獨(dú)立的事件，其相交概率為 P(A∩B) = P(A)P(B)。

3.全概率公式

設(shè)Ω為試驗(yàn)E的樣本空間，A為E的事件，B1、B2、....、Bn為Ω的一個(gè)劃分，且P(Bi)>0，其中i=1,2,...,n，則：

P(A) = P(AB1)+P(AB2)+...+P(ABn)

= P(A|B1)P(B1)+P(A|B2)P(B2)+...+P(A|Bn)P(Bn)

全概率公式主要用途在于它可以將一個(gè)復(fù)雜的概率計(jì)算問題，分解為若干個(gè)簡(jiǎn)單事件的概率計(jì)算問題，最后應(yīng)用概率的可加性求出最終結(jié)果。

示例：有一批同一型號(hào)的產(chǎn)品，已知其中由一廠生成的占30%，二廠生成的占50%，三長(zhǎng)生成的占20%，又知這三個(gè)廠的產(chǎn)品次品概率分別為2%、1%、1%，問這批產(chǎn)品中任取一件是次品的概率是多少？

參考百度文庫資料：

https://wenku.baidu.com/view/05d0e30e856a561253d36fdb.html

4.貝葉斯公式

設(shè)Ω為試驗(yàn)E的樣本空間，A為E的事件，如果有k個(gè)互斥且有窮個(gè)事件，即B1、B2、....、Bk為Ω的一個(gè)劃分，且P(B1)+P(B2)+...+P(Bk)=1，P(Bi)>0（i=1,2,...,k)，則：

P(A)：事件A發(fā)生的概率；

P(A∩B)：事件A和事件B同時(shí)發(fā)生的概率；

P(A|B)：事件A在時(shí)間B發(fā)生的條件下發(fā)生的概率；

意義：現(xiàn)在已知時(shí)間A確實(shí)已經(jīng)發(fā)生，若要估計(jì)它是由原因Bi所導(dǎo)致的概率，則可用Bayes公式求出。

5.先驗(yàn)概率和后驗(yàn)概率

先驗(yàn)概率是由以往的數(shù)據(jù)分析得到的概率，泛指一類事物發(fā)生的概率，根據(jù)歷史資料或主觀判斷未經(jīng)證實(shí)所確定的概率。后驗(yàn)概率而是在得到信息之后再重新加以修正的概率，是某個(gè)特定條件下一個(gè)具體事物發(fā)生的概率。

6.樸素貝葉斯分類

貝葉斯分類器通過預(yù)測(cè)一個(gè)對(duì)象屬于某個(gè)類別的概率，再預(yù)測(cè)其類別，是基于貝葉斯定理而構(gòu)成出來的。在處理大規(guī)模數(shù)據(jù)集時(shí)，貝葉斯分類器表現(xiàn)出較高的分類準(zhǔn)確性。

假設(shè)存在兩種分類：

1) 如果p1(x,y)>p2(x,y)，那么分入類別1

2) 如果p1(x,y)

引入貝葉斯定理即為：

其中，x、y表示特征變量，ci表示分類，p(ci|x,y)表示在特征為x,y的情況下分入類別ci的概率，因此，結(jié)合條件概率和貝葉斯定理有：

1) 如果p(c1|x,y)>p(c2,|x,y)，那么分類應(yīng)當(dāng)屬于類別c1

2) 如果p(c1|x,y)

貝葉斯定理最大的好處是可以用已知的概率去計(jì)算未知的概率，而如果僅僅是為了比較p(ci|x,y)和p(cj|x,y)的大小，只需要已知兩個(gè)概率即可，分母相同，比較p(x,y|ci)p(ci)和p(x,y|cj)p(cj)即可。

7.示例講解

假設(shè)存在14天的天氣情況和是否能打網(wǎng)球，包括天氣、氣溫、濕度、風(fēng)等，現(xiàn)在給出新的一天天氣情況，需要判斷我們這一天可以打網(wǎng)球嗎？首先統(tǒng)計(jì)出各種天氣情況下打網(wǎng)球的概率，如下圖所示。

接下來是分析過程，其中包括打網(wǎng)球yse和不打網(wǎng)球no的計(jì)算方法。

最后計(jì)算結(jié)果如下，不去打網(wǎng)球概率為79.5%。

8.優(yōu)缺點(diǎn)

監(jiān)督學(xué)習(xí)，需要確定分類的目標(biāo)

對(duì)缺失數(shù)據(jù)不敏感，在數(shù)據(jù)較少的情況下依然可以使用該方法

可以處理多個(gè)類別 的分類問題

適用于標(biāo)稱型數(shù)據(jù)

對(duì)輸入數(shù)據(jù)的形勢(shì)比較敏感

由于用先驗(yàn)數(shù)據(jù)去預(yù)測(cè)分類，因此存在誤差

▌二. naive_bayes用法及簡(jiǎn)單案例

scikit-learn機(jī)器學(xué)習(xí)包提供了3個(gè)樸素貝葉斯分類算法：

GaussianNB(高斯樸素貝葉斯)

MultinomialNB(多項(xiàng)式樸素貝葉斯)

BernoulliNB(伯努利樸素貝葉斯)

1.高斯樸素貝葉斯

調(diào)用方法為：sklearn.naive_bayes.GaussianNB(priors=None)。

下面隨機(jī)生成六個(gè)坐標(biāo)點(diǎn)，其中x坐標(biāo)和y坐標(biāo)同為正數(shù)時(shí)對(duì)應(yīng)類標(biāo)為2，x坐標(biāo)和y坐標(biāo)同為負(fù)數(shù)時(shí)對(duì)應(yīng)類標(biāo)為1。通過高斯樸素貝葉斯分類分析的代碼如下：

1#-*-coding:utf-8-*- 2importnumpyasnp 3fromsklearn.naive_bayesimportGaussianNB 4X=np.array([[-1,-1],[-2,-1],[-3,-2],[1,1],[2,1],[3,2]]) 5Y=np.array([1,1,1,2,2,2]) 6clf=GaussianNB() 7clf.fit(X,Y) 8pre=clf.predict(X) 9printu"數(shù)據(jù)集預(yù)測(cè)結(jié)果:",pre10printclf.predict([[-0.8,-1]])1112clf_pf=GaussianNB()13clf_pf.partial_fit(X,Y,np.unique(Y))#增加一部分樣本14printclf_pf.predict([[-0.8,-1]])

輸出如下圖所示，可以看到[-0.8, -1]預(yù)測(cè)結(jié)果為1類，即x坐標(biāo)和y坐標(biāo)同為負(fù)數(shù)。

2.多項(xiàng)式樸素貝葉斯

多項(xiàng)式樸素貝葉斯：sklearn.naive_bayes.MultinomialNB(alpha=1.0, fit_prior=True, class_prior=None)主要用于離散特征分類，例如文本分類單詞統(tǒng)計(jì)，以出現(xiàn)的次數(shù)作為特征值。

參數(shù)說明：alpha為可選項(xiàng)，默認(rèn)1.0，添加拉普拉修/Lidstone平滑參數(shù)；fit_prior默認(rèn)True，表示是否學(xué)習(xí)先驗(yàn)概率，參數(shù)為False表示所有類標(biāo)記具有相同的先驗(yàn)概率；class_prior類似數(shù)組，數(shù)組大小為(n_classes,)，默認(rèn)None，類先驗(yàn)概率。

3.伯努利樸素貝葉斯

伯努利樸素貝葉斯：sklearn.naive_bayes.BernoulliNB(alpha=1.0, binarize=0.0, fit_prior=True,class_prior=None)。類似于多項(xiàng)式樸素貝葉斯，也主要用于離散特征分類，和MultinomialNB的區(qū)別是：MultinomialNB以出現(xiàn)的次數(shù)為特征值，BernoulliNB為二進(jìn)制或布爾型特性

下面是樸素貝葉斯算法常見的屬性和方法。

1) class_prior_屬性

觀察各類標(biāo)記對(duì)應(yīng)的先驗(yàn)概率，主要是class_prior_屬性，返回?cái)?shù)組。代碼如下：

1printclf.class_prior_2#[0.50.5]

2) class_count_屬性

獲取各類標(biāo)記對(duì)應(yīng)的訓(xùn)練樣本數(shù)，代碼如下：

1printclf.class_count_2#[3.3.]

3) theta_屬性

獲取各個(gè)類標(biāo)記在各個(gè)特征上的均值，代碼如下：

1printclf.theta_2#[[-2.-1.33333333]3#[2.1.33333333]]

4) sigma_屬性

獲取各個(gè)類標(biāo)記在各個(gè)特征上的方差，代碼如下：

1printclf.theta_2#[[-2.-1.33333333]3#[2.1.33333333]]

5) fit(X, y, sample_weight=None)

訓(xùn)練樣本，X表示特征向量，y類標(biāo)記，sample_weight表各樣本權(quán)重?cái)?shù)組。

1#設(shè)置樣本不同的權(quán)重2clf.fit(X,Y,np.array([0.05,0.05,0.1,0.1,0.1,0.2,0.2,0.2]))3printclf4printclf.theta_5printclf.sigma_

輸出結(jié)果如下所示：

1GaussianNB()2[[-2.25-1.5]3[2.251.5]]4[[0.68750.25]5[0.68750.25]]

6) partial_fit(X, y, classes=None, sample_weight=None)

增量式訓(xùn)練，當(dāng)訓(xùn)練數(shù)據(jù)集數(shù)據(jù)量非常大，不能一次性全部載入內(nèi)存時(shí)，可以將數(shù)據(jù)集劃分若干份，重復(fù)調(diào)用partial_fit在線學(xué)習(xí)模型參數(shù)，在第一次調(diào)用partial_fit函數(shù)時(shí)，必須制定classes參數(shù)，在隨后的調(diào)用可以忽略。

1importnumpyasnp 2fromsklearn.naive_bayesimportGaussianNB 3X=np.array([[-1,-1],[-2,-2],[-3,-3],[-4,-4],[-5,-5], 4[1,1],[2,2],[3,3]]) 5y=np.array([1,1,1,1,1,2,2,2]) 6clf=GaussianNB() 7clf.partial_fit(X,y,classes=[1,2], 8sample_weight=np.array([0.05,0.05,0.1,0.1,0.1,0.2,0.2,0.2])) 9printclf.class_prior_10printclf.predict([[-6,-6],[4,5],[2,5]])11printclf.predict_proba([[-6,-6],[4,5],[2,5]])

輸出結(jié)果如下所示：

1[0.40.6]2[122]3[[1.00000000e+004.21207358e-40]4[1.12585521e-121.00000000e+00]5[8.73474886e-111.00000000e+00]]

可以看到點(diǎn)[-6,-6]預(yù)測(cè)結(jié)果為1，[4,5]預(yù)測(cè)結(jié)果為2，[2,5]預(yù)測(cè)結(jié)果為2。同時(shí)，predict_proba(X)輸出測(cè)試樣本在各個(gè)類標(biāo)記預(yù)測(cè)概率值。

7) score(X, y, sample_weight=None)

返回測(cè)試樣本映射到指定類標(biāo)記上的得分或準(zhǔn)確率。

1pre=clf.predict([[-6,-6],[4,5],[2,5]])2printclf.score([[-6,-6],[4,5],[2,5]],pre)3#1.0

最后給出一個(gè)高斯樸素貝葉斯算法分析小麥數(shù)據(jù)集案例，代碼如下：

1#-*-coding:utf-8-*- 2#第一部分載入數(shù)據(jù)集 3importpandasaspd 4X=pd.read_csv("seed_x.csv") 5Y=pd.read_csv("seed_y.csv") 6printX 7printY 8 9#第二部分導(dǎo)入模型10fromsklearn.naive_bayesimportGaussianNB11clf=GaussianNB()12clf.fit(X,Y)13pre=clf.predict(X)14printu"數(shù)據(jù)集預(yù)測(cè)結(jié)果:",pre1516#第三部分降維處理17fromsklearn.decompositionimportPCA18pca=PCA(n_components=2)19newData=pca.fit_transform(X)20printnewData[:4]2122#第四部分繪制圖形23importmatplotlib.pyplotasplt24L1=[n[0]forninnewData]25L2=[n[1]forninnewData]26plt.scatter(L1,L2,c=pre,s=200)27plt.show()

輸出如下圖所示：

最后對(duì)數(shù)據(jù)集進(jìn)行評(píng)估，主要調(diào)用sklearn.metrics類中classification_report函數(shù)實(shí)現(xiàn)的，代碼如下：

1fromsklearn.metricsimportclassification_report2print(classification_report(Y,pre))

運(yùn)行結(jié)果如下所示，準(zhǔn)確率、召回率和F特征為91%。

補(bǔ)充下Sklearn機(jī)器學(xué)習(xí)包常用的擴(kuò)展類。

1#監(jiān)督學(xué)習(xí) 2sklearn.neighbors#近鄰算法 3sklearn.svm#支持向量機(jī) 4sklearn.kernel_ridge#核-嶺回歸 5sklearn.discriminant_analysis#判別分析 6sklearn.linear_model#廣義線性模型 7sklearn.ensemble#集成學(xué)習(xí) 8sklearn.tree#決策樹 9sklearn.naive_bayes#樸素貝葉斯10sklearn.cross_decomposition#交叉分解11sklearn.gaussian_process#高斯過程12sklearn.neural_network#神經(jīng)網(wǎng)絡(luò)13sklearn.calibration#概率校準(zhǔn)14sklearn.isotonic#保守回歸15sklearn.feature_selection#特征選擇16sklearn.multiclass#多類多標(biāo)簽算法1718#無監(jiān)督學(xué)習(xí)19sklearn.decomposition#矩陣因子分解sklearn.cluster#聚類20sklearn.manifold#流形學(xué)習(xí)21sklearn.mixture#高斯混合模型22sklearn.neural_network#無監(jiān)督神經(jīng)網(wǎng)絡(luò)23sklearn.covariance#協(xié)方差估計(jì)2425#數(shù)據(jù)變換26sklearn.feature_extraction#特征提取sklearn.feature_selection#特征選擇27sklearn.preprocessing#預(yù)處理28sklearn.random_projection#隨機(jī)投影29sklearn.kernel_approximation#核逼近

▌三. 中文文本數(shù)據(jù)集預(yù)處理

假設(shè)現(xiàn)在需要判斷一封郵件是不是垃圾郵件，其步驟如下：

數(shù)據(jù)集拆分成單詞，中文分詞技術(shù)

計(jì)算句子中總共多少單詞，確定詞向量大小

句子中的單詞轉(zhuǎn)換成向量，BagofWordsVec

計(jì)算P(Ci)，P(Ci|w)=P(w|Ci)P(Ci)/P(w)，表示w特征出現(xiàn)時(shí)，該樣本被分為Ci類的條件概率

判斷P(w[i]C[0])和P(w[i]C[1])概率大小，兩個(gè)集合中概率高的為分類類標(biāo)

下面講解一個(gè)具體的實(shí)例。

1.數(shù)據(jù)集讀取

假設(shè)存在如下所示10條Python書籍訂單評(píng)價(jià)信息，每條評(píng)價(jià)信息對(duì)應(yīng)一個(gè)結(jié)果（好評(píng)和差評(píng)），如下圖所示：

數(shù)據(jù)存儲(chǔ)至CSV文件中，如下圖所示。

下面采用pandas擴(kuò)展包讀取數(shù)據(jù)集。代碼如下所示：

1#-*-coding:utf-8-*- 2importnumpyasnp 3importpandasaspd 4 5data=pd.read_csv("data.csv",encoding='gbk') 6printdata 7 8#取表中的第1列的所有值 9printu"獲取第一列內(nèi)容"10col=data.iloc[:,0]11#取表中所有值12arrs=col.values13forainarrs:14printa

輸出結(jié)果如下圖所示，同時(shí)可以通過data.iloc[:,0]獲取第一列的內(nèi)容。

2.中文分詞及過濾停用詞

接下來作者采用jieba工具進(jìn)行分詞，并定義了停用詞表，即：

stopwords = {}.fromkeys(['，', '。', '！', '這', '我', '非常'])

完整代碼如下所示：

1#-*-coding:utf-8-*- 2importnumpyasnp 3importpandasaspd 4importjieba 5 6data=pd.read_csv("data.csv",encoding='gbk') 7printdata 8 9#取表中的第1列的所有值10printu"獲取第一列內(nèi)容"11col=data.iloc[:,0]12#取表中所有值13arrs=col.values14#去除停用詞15stopwords={}.fromkeys(['，','。','！','這','我','非常'])1617printu" 中文分詞后結(jié)果:"18forainarrs:19#printa20seglist=jieba.cut(a,cut_all=False)#精確模式21final=''22forseginseglist:23seg=seg.encode('utf-8')24ifsegnotinstopwords:#不是停用詞的保留25final+=seg26seg_list=jieba.cut(final,cut_all=False)27output=''.join(list(seg_list))#空格拼接28printoutput

然后分詞后的數(shù)據(jù)如下所示，可以看到標(biāo)點(diǎn)符號(hào)及“這”、“我”等詞已經(jīng)過濾。

3.詞頻統(tǒng)計(jì)

接下來需要將分詞后的語句轉(zhuǎn)換為向量的形式，這里使用CountVectorizer實(shí)現(xiàn)轉(zhuǎn)換為詞頻。如果需要轉(zhuǎn)換為TF-IDF值可以使用TfidfTransformer類。詞頻統(tǒng)計(jì)完整代碼如下所示：

1#-*-coding:utf-8-*- 2importnumpyasnp 3importpandasaspd 4importjieba 5 6data=pd.read_csv("data.csv",encoding='gbk') 7printdata 8 9#取表中的第1列的所有值10printu"獲取第一列內(nèi)容"11col=data.iloc[:,0]12#取表中所有值13arrs=col.values14#去除停用詞15stopwords={}.fromkeys(['，','。','！','這','我','非常'])1617printu" 中文分詞后結(jié)果:"18corpus=[]19forainarrs:20#printa21seglist=jieba.cut(a,cut_all=False)#精確模式22final=''23forseginseglist:24seg=seg.encode('utf-8')25ifsegnotinstopwords:#不是停用詞的保留26final+=seg27seg_list=jieba.cut(final,cut_all=False)28output=''.join(list(seg_list))#空格拼接29printoutput30corpus.append(output)3132#計(jì)算詞頻33fromsklearn.feature_extraction.textimportCountVectorizer34fromsklearn.feature_extraction.textimportTfidfTransformer3536vectorizer=CountVectorizer()#將文本中的詞語轉(zhuǎn)換為詞頻矩陣37X=vectorizer.fit_transform(corpus)#計(jì)算個(gè)詞語出現(xiàn)的次數(shù)38word=vectorizer.get_feature_names()#獲取詞袋中所有文本關(guān)鍵詞39forwinword:#查看詞頻結(jié)果40printw,41print''42printX.toarray()

輸出結(jié)果如下所示，包括特征詞及對(duì)應(yīng)的10行數(shù)據(jù)的向量，這就將中文文本數(shù)據(jù)集轉(zhuǎn)換為了數(shù)學(xué)向量的形式，接下來就是對(duì)應(yīng)的數(shù)據(jù)分析了。

如下所示得到一個(gè)詞頻矩陣，每行數(shù)據(jù)集對(duì)應(yīng)一個(gè)分類類標(biāo)，可以預(yù)測(cè)新的文檔屬于哪一類。

TF-IDF相關(guān)知識(shí)推薦我的文章： [python] 使用scikit-learn工具計(jì)算文本TF-IDF值（https://blog.csdn.net/eastmount/article/details/50323063）

▌四. 樸素貝葉斯中文文本輿情分析

最后給出樸素貝葉斯分類算法分析中文文本數(shù)據(jù)集的完整代碼。

1#-*-coding:utf-8-*- 2importnumpyasnp 3importpandasaspd 4importjieba 5 6#http://blog.csdn.net/eastmount/article/details/50323063 7#http://blog.csdn.net/eastmount/article/details/50256163 8#http://blog.csdn.net/lsldd/article/details/41542107 910####################################11#第一步讀取數(shù)據(jù)及分詞12#13data=pd.read_csv("data.csv",encoding='gbk')14printdata1516#取表中的第1列的所有值17printu"獲取第一列內(nèi)容"18col=data.iloc[:,0]19#取表中所有值20arrs=col.values2122#去除停用詞23stopwords={}.fromkeys(['，','。','！','這','我','非常'])2425printu" 中文分詞后結(jié)果:"26corpus=[]27forainarrs:28#printa29seglist=jieba.cut(a,cut_all=False)#精確模式30final=''31forseginseglist:32seg=seg.encode('utf-8')33ifsegnotinstopwords:#不是停用詞的保留34final+=seg35seg_list=jieba.cut(final,cut_all=False)36output=''.join(list(seg_list))#空格拼接37printoutput38corpus.append(output)3940####################################41#第二步計(jì)算詞頻42#43fromsklearn.feature_extraction.textimportCountVectorizer44fromsklearn.feature_extraction.textimportTfidfTransformer4546vectorizer=CountVectorizer()#將文本中的詞語轉(zhuǎn)換為詞頻矩陣47X=vectorizer.fit_transform(corpus)#計(jì)算個(gè)詞語出現(xiàn)的次數(shù)48word=vectorizer.get_feature_names()#獲取詞袋中所有文本關(guān)鍵詞49forwinword:#查看詞頻結(jié)果50printw,51print''52printX.toarray()535455####################################56#第三步數(shù)據(jù)分析57#58fromsklearn.naive_bayesimportMultinomialNB59fromsklearn.metricsimportprecision_recall_curve60fromsklearn.metricsimportclassification_report6162#使用前8行數(shù)據(jù)集進(jìn)行訓(xùn)練，最后兩行數(shù)據(jù)集用于預(yù)測(cè)63printu" 數(shù)據(jù)分析:"64X=X.toarray()65x_train=X[:8]66x_test=X[8:]67#1表示好評(píng)0表示差評(píng)68y_train=[1,1,0,0,1,0,0,1]69y_test=[1,0]7071#調(diào)用MultinomialNB分類器72clf=MultinomialNB().fit(x_train,y_train)73pre=clf.predict(x_test)74printu"預(yù)測(cè)結(jié)果:",pre75printu"真實(shí)結(jié)果:",y_test7677fromsklearn.metricsimportclassification_report78print(classification_report(y_test,pre))

輸出結(jié)果如下所示，可以看到預(yù)測(cè)的兩個(gè)值都是正確的。即“一本優(yōu)秀的書籍，值得讀者擁有?！鳖A(yù)測(cè)結(jié)果為好評(píng)（類標(biāo)1），“很差，不建議買，準(zhǔn)備退貨。”結(jié)果為差評(píng)（類標(biāo)0）。

1數(shù)據(jù)分析:2預(yù)測(cè)結(jié)果:[10]3真實(shí)結(jié)果:[1,0]4precisionrecallf1-scoresupport5601.001.001.001711.001.001.00189avg/total1.001.001.002

但存在一個(gè)問題，由于數(shù)據(jù)量較小不具備代表性，而真實(shí)分析中會(huì)使用海量數(shù)據(jù)進(jìn)行輿情分析，預(yù)測(cè)結(jié)果肯定頁不是100%的正確，但是需要讓實(shí)驗(yàn)結(jié)果盡可能的好。最后補(bǔ)充一段降維繪制圖形的代碼，如下：

1#降維繪制圖形 2fromsklearn.decompositionimportPCA 3pca=PCA(n_components=2) 4newData=pca.fit_transform(X) 5printnewData 6 7pre=clf.predict(X) 8Y=[1,1,0,0,1,0,0,1,1,0] 9importmatplotlib.pyplotasplt10L1=[n[0]forninnewData]11L2=[n[1]forninnewData]12plt.scatter(L1,L2,c=pre,s=200)13plt.show()

輸出結(jié)果如圖所示，預(yù)測(cè)結(jié)果和真實(shí)結(jié)果都是一樣的，即[1,1,0,0,1,0,0,1,1,0]。