-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathclassifier_mnb.py
259 lines (223 loc) · 11.2 KB
/
classifier_mnb.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
#import numpy as np
#import matplotlib.pyplot as plt
import copy
import os
import math
from math import log
#=======================================================================================================================
#--------------------------Обработка документов(строк). Отделяет символы от слов----------------------------------------
#=======================================================================================================================
def Preparing(mas):
sym = '.,:;&()<>!?"-'
for i in range(len(mas)):
p = ''
for j in range(len(mas[i])):
if mas[i][j] in sym:
mas.append(mas[i][j])
else:
p += mas[i][j]
if p != '':
mas[i] = p
return mas
#=======================================================================================================================
#------------------------------------------------Загрузка train---------------------------------------------------------
#=======================================================================================================================
def LoadTrain():
TrainDocs = [] # -- массив документов
TrainLabels = [] # -- массив меток
with open('train.texts', encoding='utf-8') as Fdocs:
with open('train.labels', encoding='utf-8') as Flabels:
for line in Fdocs:
doc = line # -- считываем документ(строку)
label = Flabels.readline() # -- считываем метку
TrainDocs.append(doc)
TrainLabels.append(label[:-1])
#print(PosDocs[-1][-1])
#print(NegDocs[-1][-1])
return TrainDocs, TrainLabels
#=======================================================================================================================
#------------------------------------------------Загрузка текста--------------------------------------------------------
#=======================================================================================================================
def LoadT(s):
Docs = [] # -- массив документов
with open(s, encoding='utf-8') as Fdocs:
for line in Fdocs:
doc = line # -- считываем документ(строку)
Docs.append(doc)
#print(PosDocs[-1][-1])
#print(NegDocs[-1][-1])
return Docs
#=======================================================================================================================
#-----------------------------------------------Загрузка меток----------------------------------------------------------
#=======================================================================================================================
def LoadL(s):
Docs = [] # -- массив документов
with open(s, encoding='utf-8') as Fdocs:
for line in Fdocs:
doc = line # -- считываем документ(строку)
doc = doc[:-1]
Docs.append(doc)
# print(PosDocs[-1][-1])
# print(NegDocs[-1][-1])
return Docs
#=======================================================================================================================
#----------------------------------------------Печать статистики--------------------------------------------------------
#=======================================================================================================================
def PrintLen(Docs):
DataLen = 0
MasLen = []
for doc in Docs:
LenDoc = 0
for wrd in doc:
LenDoc += len(wrd)
DataLen += LenDoc
MasLen.append(LenDoc)
MasLen.sort()
m = len(MasLen)
print('Наименьшая длина: ', MasLen[0])
print('Наибольшая длина: ', MasLen[m - 1])
print('Средняя длина: ', DataLen / m)
if m % 2 == 0:
print('Медианная длина: ', (MasLen[m // 2] + MasLen[m // 2 - 1]) / 2)
else:
print('Медианная длина: ', MasLen[m // 2])
#=======================================================================================================================
#----------------------------------------Обучение. Подсчет вероятностей-------------------------------------------------
#=======================================================================================================================
def train(train_texts, train_labels):
# ==================================================================================================================
# -- Создание двух списков pos и neg -------------------------------------------------------------------------------
# ==================================================================================================================
def CrList(train_texts, train_labels):
PosDocs = []
NegDocs = []
N = len(train_labels)
print('===',N)
for i in range(N):
doc = train_texts[i]
doc = doc.lower() # -- перевод в нижний регистр
doc = doc.replace('<br />', ' ') # -- убираем символ <br />
doc = doc.split() # -- разбиваем на слова
doc = Preparing(doc)
if train_labels[i] == 'pos':
PosDocs.append(doc)
elif train_labels[i] == 'neg':
NegDocs.append(doc)
return PosDocs, NegDocs
# ==================================================================================================================
# -- Создание двух словарей слово->частота -------------------------------------------------------------------------
# ==================================================================================================================
def CrDicts(PosDocs, NegDocs):
PosSet = set()
NegSet = set()
for doc in PosDocs:
PosSet = PosSet.union(set(doc))
for doc in NegDocs:
NegSet = NegSet.union(set(doc))
# print(PosSet)
PosDict = {wrd: 0 for wrd in PosSet}
NegDict = {wrd: 0 for wrd in NegSet}
return PosDict, NegDict
# ==================================================================================================================
# -- Подсчет вероятностей -------------------------------------------------------------------------
# ==================================================================================================================
def FindProb(DictW, Docs):
LenAllWord = 0
for doc in Docs:
LenAllWord += len(doc)
counter = 0
LenDocs = len(Docs)
for doc in Docs:
for wrd in doc:
DictW[wrd] += 1
counter += 1
#if counter % 100 == 0:
#print(counter, '/', LenDocs)
print(LenDocs, '/', LenDocs)
for wrd in DictW:
DictW[wrd] = DictW[wrd] / LenAllWord
PosDocs, NegDocs = CrList(train_texts, train_labels) # -- заполняем два списка
PosDict, NegDict = CrDicts(PosDocs, NegDocs) # -- заполняем два словаря
print('созданы 2 словаря')
print('pos:')
PrintLen(PosDocs)
print('neg:')
PrintLen(NegDocs)
print('процесс обучения...')
FindProb(PosDict, PosDocs) # -- находим вероятности Р(Di|pos)
FindProb(NegDict, NegDocs) # -- находим вероятности Р(Di|neg)
#print(PosDict)
# print(NegDict)
return PosDict, NegDict, PosDocs, NegDocs
#=======================================================================================================================
#------------------------------------------------Классификация----------------------------------------------------------
#=======================================================================================================================
def classify(texts, PosDict, NegDict, PosDocs, NegDocs):
# ==================================================================================================================
# -- Подсчет вероятности (мультиномиальный классификатор) ----------------------------------------------------------
# ==================================================================================================================
def Multi(PosDict, NegDict, doc, PosProb, NegProb, AllPos, AllNeg):
posver = log(PosProb)
for wrd in doc:
if wrd in PosDict:
posver += log(PosDict[wrd])
else:
posver += log(1 / (1 + AllPos))
negver = log(NegProb)
for wrd in doc:
if wrd in NegDict:
negver += log(NegDict[wrd])
else:
negver += log(1 / (1 + AllNeg))
if negver > posver:
return 'neg'
else:
return 'pos'
AllPos = 0
AllNeg = 0
for doc in PosDocs:
AllPos += len(doc)
for doc in NegDocs:
AllNeg += len(doc)
PosProb = len(PosDocs) / (len(PosDocs) + len(NegDocs)) # -- P(pos)
NegProb = 1 - PosProb # -- P(neg)
counter = 0
LenTexts = len(texts)
#print('===', LenTexts)
label = []
for line in texts:
res = ''
counter += 1
doc = line
doc = doc.lower()
doc = doc.replace('<br />', ' ')
doc = doc.split() # -- разбиваем на слова
doc = Preparing(doc)
res = Multi(PosDict, NegDict, doc, PosProb, NegProb, AllPos, AllNeg)
label.append(res)
if counter % 100:
print(counter, '/', LenTexts)
return label
#=======================================================================================================================
#----------------------------------------------Основная программа-------------------------------------------------------
#=======================================================================================================================
TrainDocs, TrainLabels = LoadTrain() # -- загружаем данные
print('загрузка данных завершена')
PosDict, NegDict, PosDocs, NegDocs = train(TrainDocs, TrainLabels)
print('обучение закончилось')
print('проверка точности:')
DevDocs = LoadT('dev.texts')
print('+++',len(DevDocs))
#print(len(PosDict))
ResLabels = classify(DevDocs, PosDict, NegDict, PosDocs, NegDocs)
DevLabels = LoadL('dev.labels')
print(DevLabels)
Pright = 0
Pall = 0
for i in range(len(DevDocs)):
if ResLabels[i] == DevLabels[i]:
Pright += 1
Pall += 1
print(Pright/Pall)
#print(len(DevLabels))
#print(len(ResLabels))