数据挖掘-基于贝叶斯算法及KNN算法.docx

吸氧机，HYPERLINK"http://www.qingyangblog.com"家用吸氧机价格
制氧机，HYPERLINK"http://www.qingyangblog.com"鱼跃家庭制氧机
数据挖掘-基于贝叶斯算法及KNN算法的newsgroup18828文档分类器的JAVA实现（上）本分类器的完整工程可以到点击打开链接下载，详细说明的运行方法，用eclipse可以运行，学习数据挖掘的朋友可以跑一下，有问题可以联系我，欢迎交流：）
上文中描述了newsgroup18828文档集的预处理及贝叶斯算法的JAVA实现，下面我们来看看如何实现基于KNN算法的newsgroup文本分类器
1KNN算法的描述
KNN算法描述如下：STEPONE:文本向量化表示,由特征词的TF*IDF值计算STEPTWO:在新文本到达后，根据特征词确定新文本的向量STEPTHREE:在训练文本集中选出与新文本最相似的K个文本，相似度用向量夹角余弦度量，计算公式为：
其中，K值的确定目前没有很好的方法，一般采用先定一个初始值，然后根据实验测试的结果调整K值本项目中K取20
STEPFOUR:在新文本的K个邻居中，依次计算每类的权重，每类的权重等于K个邻居中属于该类的训练样本与测试样本的相似度之和。STEPFIVE:比较类的权重，将文本分到权重最大的那个类别中。
2文档TF-IDF计算及向量化表示
实现KNN算法首先要实现文档的向量化表示计算特征词的TF*IDF，每个文档的向量由包含所有特征词的TF*IDF值组成，每一维对应一个特征词
TF及IDF的计算公式如下，分别为特征词的特征项频率和逆文档频率

文档向量计算类ComputeWordsVector.java如下
packagecom.pku.yangliu;
importjava.io.BufferedReader;
importjava.io.File;
importjava.io.FileReader;
importjava.io.FileWriter;
importjava.io.IOException;
importjava.util.SortedMap;
importjava.util.Map;
importjava.util.Set;
importjava.util.TreeMap;
importjava.util.Iterator;

/**计算文档的属性向量，将所有文档向量化
*@authoryangliu
*@qq772330184
*@[e-mail]
*
*/
publicclassComputeWordsVector{

/**计算文档的TF属性向量,直接写成二维数组遍历形式即可，没必要递归
*@paramstrDir处理好的newsgroup文件目录的绝对路径
*@paramtrainSamplePercent训练样例集占每个类目的比例
*@paramindexOfSample测试样例集的起始的测试样例编号
*@paramwordMap属性词典map
*@throwsIOException
*/
publicvoidcomputeTFMultiIDF(StringstrDir,doubletrainSamplePercent,intindexOfSample,Map<String,Double>iDFPerWordMap,Map<String,Double>wordMap)throwsIOException{
FilefileDir=newFile(strDir);
Stringword;
SortedMap<String,Double>TFPerDocMap=newTreeMap<String,Double>();
//注意可以用两个写文件，一个专门写测试样例，一个专门写训练样例，用sampleType的值来表示
StringtrainFileDir="F:/DataMiningSample/docVector/wordTFIDFMapTrainSample"+indexOfSample;
StringtestFileDir="F:/DataMiningSample/docVector/wordTFIDFMapTestSample"+indexOfSample;
FileWritertsTrainWriter=newFileWriter(newFile(trainFileDir));
FileWritertsTestWrtier=newFileWriter(newFile(testFileDir));
FileWritertsWriter=tsTrainWriter;
File[]sampleDir=fileDir.listF