机器学习小实战（三）贝叶斯实现拼写检查器

朴灿烈づ我的快乐病毒、 2021-09-27 06:08 222阅读 0赞

### 一、贝叶斯（Bayes）简介 ###

贝叶斯老爷爷是一位有名的老人家！贝叶斯算法和概率有关，贝叶斯公式其实高中学过的，就是忘了而已。

![P(A|B)=P(B|A)P(A)/P(B)][P_A_B_P_B_A_P_A_P_B]

### 二、贝叶斯实现拼写检查器 ###

**1. 原理**

**argmaxc P(A|B)=argmaxc P(B|A) P(A) /P(B)**

P(A|B)：待求的；用户本想本想输入B的前提下，错输成A的概率

P(A)：文章中出现正确单词A的概率

P(B|A)：用户本想本想输入A的前提下，错输成B的概率

P(B)：文章中出现正确单词B的概率

argmaxc：用来枚举所有可能的A，并选取概率最大的那个

拼写检查器就是，输入一个单词，先判断这个单词是否存在于语料库中（是否正确），如果不在（可能语料库中没有，或者拼写错误），则需要根据编辑距离进行检查修正。

**2. 编辑距离**

编辑距离为1，意味着单词1只需增/删/改/交换相邻字母 1次，就可以变成单词2，以此类推。

import re,collections #正则表达式re库
    
    def words(text):   # 将给定语料库中所有单词转为小写，去除单词中的特殊符号
        return re.findall('[a-z]+',text.lower())
    
    def train(features): # 统计每个单词的出现次数，并为每个单词设置一个默认值-1
        model=collections.defaultdict(lambda:1) #匿名函数，为每个单词的出现频率设置最低值1
        for f in features:
            model[f]+=1
        return model
    
    NWORDS=train(words(open('big.txt').read())) # 计算big文件中各个词的出现次数
    
    alphabet='abcdefghijklmnopqrstuvwxyz'
    
    def edits1(word): #返回所有与word编辑距离为1的集合
        n=len(word)
        return set([word[0:i]+word[i+1:] for i in range(n)]+  #delete
                   [word[0:i]+word[i+1]+word[i]+word[i+2:] for i in range(n-1)]+ #transposition
                   [word[0:i]+c+word[i+1:] for i in range(n) for c in alphabet]+ # alteration
                   [word[0:i]+c+word[i:] for i in range(n+1) for c in alphabet]) #insertion
    
    def edists2(word): #编辑距离为2 的单词
        return set(e2 for e1 in edits1(word) for e2 in edits1(e1))
    
    def known(words):  #将那些正确的词作为候选词
        return set(w for w in words if w in NWORDS) 
    
    def correct(word): #检查器函数，先判断是不是正确的拼写形式，如果不是则选出编辑距离为1的单词……
        candidates=known([word])or known(edits1(word)) or known(edists2(word)) or [word]
        return max(candidates,key=lambda w:NWORDS[w])
    
    print(correct('mach'))

输出：much

**3. 其他**

python中，**set()** 函数创建一个无序不重复元素集，可进行关系测试，删除重复数据，还可以计算交集、差集、并集等。本例中set的用法本菜鸟有点没看懂，要是有哪位大神看懂了可否帮忙解惑！3ks!!

[P_A_B_P_B_A_P_A_P_B]: https://private.codecogs.com/gif.latex?P%28A%7CB%29%3DP%28B%7CA%29P%28A%29/P%28B%29