2020.05.22 垃圾邮件分类2
1.读取
2.数据预处理
3.数据划分—训练集和测试集数据划分
from sklearn.model_selection import train_test_split
x_train,x_test, y_train, y_test = train_test_split(data, target, test_size=0.2, random_state=0, stratify=y_train)
划分数据集:
划分数据集结果:
4.文本特征提取
sklearn.feature_extraction.text.CountVectorizer
sklearn.feature_extraction.text.TfidfVectorizer
from sklearn.feature_extraction.text import TfidfVectorizer
tfidf2 = TfidfVectorizer()
观察邮件与向量的关系
向量还原为邮件
使用TfidfVectorizer进行向量化:
向量化结果:
4.模型选择
from sklearn.naive_bayes import GaussianNB
from sklearn.naive_bayes import MultinomialNB
说明为什么选择这个模型?
选择多项式分布模型:
模型预测情况:
5.模型评价:混淆矩阵,分类报告
from sklearn.metrics import confusion_matrix
confusion_matrix = confusion_matrix(y_test, y_predict)
说明混淆矩阵的含义
from sklearn.metrics import classification_report
说明准确率、精确率、召回率、F值分别代表的意义
构建评估模型:
模型评估结果:
最终代码如下:
# -*- coding:utf-8 -*- import nltk from nltk.corpus import stopwords from nltk.stem import WordNetLemmatizer from sklearn.metrics import confusion_matrix, classification_report from sklearn.model_selection import train_test_split from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.naive_bayes import MultinomialNB import csv import numpy as np # 根据词性,生成还原参数pos def get_wordnet_pos(treebank_tag): if treebank_tag.startswith('J'): # 形容词 return nltk.corpus.wordnet.ADJ elif treebank_tag.startswith('V'): # 动词 return nltk.corpus.wordnet.VERB elif treebank_tag.startswith('N'): # 名词 return nltk.corpus.wordnet.NOUN elif treebank_tag.startswith('R'): # 副词 return nltk.corpus.wordnet.ADV else: return nltk.corpus.wordnet.NOUN # 邮件预处理 def preprocessing(text): # 分词 tokens = [word for sent in nltk.sent_tokenize(text) # 对文本按照句子进行分割 for word in nltk.word_tokenize(sent) # 对句子进行分词 ] # print("去掉停用词前:",len(tokens)) # 处理停用词 stops = stopwords.words("english") # 构建停用器 tokens = [token for token in tokens if token not in stops] # print("去掉停用词后:",len(tokens)) tokens = [token.lower() for token in tokens if len(token) >= 3] # 大小写,短词 tag = nltk.pos_tag(tokens) # 词性标注 # Lemmatisation(词性还原) lmtzr = WordNetLemmatizer() # 定义还原对象 tokens = [lmtzr.lemmatize(token, pos=get_wordnet_pos(tag[i][1])) for i, token in enumerate(tokens)] # 词性还原 preprocessed_text = ' '.join(tokens) return preprocessed_text # 返回处理结果 # 数据预处理 def dataset(): ##数据预处理 filepath = r"C:\Users\25186\PycharmProjects\task1\data\SMSSpamCollection" sms = open(filepath, 'r', encoding='utf-8') # 以流形式读取邮件数据集 sms_data = [] # 邮件内容 sms_label = [] # 邮件标题 csv_reader = csv.reader(sms, delimiter='\t') # 对每封邮件进行预处理 for line in csv_reader: # print(line) sms_label.append(line[0]) # 标题 sms_data.append(preprocessing(line[1])) # 每封邮件进行预处理的结果 sms.close() # 关闭读取流 return sms_data, sms_label # 划分数据集 def split_dataset(sms_data, sms_label): x_train, x_test, y_train, y_test = train_test_split(sms_data, sms_label, test_size=0.2, random_state=0, stratify=sms_label) return x_train, x_test, y_train, y_test # 向量化 def tfidf(x_train, x_test): # 向量化 tfidf = TfidfVectorizer() X_train = tfidf.fit_transform(x_train) # 训练生成词汇集 X_test = tfidf.transform(x_test) # 不训练生成词汇集,因为要保持维度相同 return tfidf, X_train, X_test # 向量还原成邮件 def tfidfMail(x_train,X_train,tfidf): a = np.flatnonzero(X_train.toarray()[0]) # 查看第一封邮件在词汇表的非0值的位置 print(a) print("第一封邮件非0元素的值:", X_train.toarray()[0][a]) b = tfidf.vocabulary_ # 词汇表 key_list = [] for key, value in b.items(): if value in a: # print(value) key_list.append(key) print("向量化之前的邮件:", x_train[0]) print("向量化之后的邮件,向量非0元素对应的单词:", key_list) #构建模型 def MnbModel(X_train,X_test,y_train,y_test): Mnb = MultinomialNB() # 构建多项式分布模型 Mnb.fit(X_train, y_train) # 训练模型 y_pre = Mnb.predict(X_test) # 预测模型 print("测试集总数:", len(y_test)) print("测试集预测正确数:", (y_pre == y_test).sum()) return y_pre def checkModel(y_test,y_pre): # 模型评价:混淆矩阵,分类报告 conf_matrix = confusion_matrix(y_test, y_pre) print("=====================================================") print("混淆矩阵:\n", conf_matrix) c = classification_report(y_test, y_pre) print("=====================================================") print("分类报告:\n", c) print("模型准确率:", (conf_matrix[0][0] + conf_matrix[1][1]) / np.sum(conf_matrix)) if __name__ == "__main__": print("111") sms_data,sms_label = dataset() x_train, x_test, y_train, y_test = split_dataset(sms_data, sms_label) # 划分数据集 tfidf, X_train, X_test = tfidf(x_train, x_test) # 把原始文本转化为tf-idf的特征矩阵 tfidfMail(x_train, X_train, tfidf) # 向量还原成邮件 y_pre = MnbModel(X_train, X_test, y_train, y_test) # 模型选择 checkModel(y_pre, y_test) # 模型评价
代码运行结果:
原文地址:https://www.cnblogs.com/Azan1999/p/12938383.html
- 一、爬虫基本原理
- python 中__setattr__, __getattr__,__getattribute__, __call__使用方法
- 量子技术与人工智能:同时进化的双生子
- TCP协议三次握手与四次挥手通俗解析
- Silverlight/aspx/ajax/mvc的UI自动化测试
- Office Open XML学习(1)-创建excel文档,并向单元格中插入字符串
- PyMC3和Theano代码构建贝叶斯深度网络,61页PPT探索贝叶斯深度学习以及实现
- 男程序员是不是都不会和女生表达交流?程序员的回答歪了
- Silverlight Telerik控件学习:主题Theme切换
- Silverlight自定义类库实现应用程序缓存
- Silverlight Telerik控件学习:TreeView数据绑定并初始化选中状态、PanelBar的Accordion效果、TabPanel、Frame基本使用
- 这或许是对小白最友好的python入门了吧——4,列表
- 每个人都应该知道的十个机器学习常识
- 重新带你了解React.js
- JavaScript 教程
- JavaScript 编辑工具
- JavaScript 与HTML
- JavaScript 与Java
- JavaScript 数据结构
- JavaScript 基本数据类型
- JavaScript 特殊数据类型
- JavaScript 运算符
- JavaScript typeof 运算符
- JavaScript 表达式
- JavaScript 类型转换
- JavaScript 基本语法
- JavaScript 注释
- Javascript 基本处理流程
- Javascript 选择结构
- Javascript if 语句
- Javascript if 语句的嵌套
- Javascript switch 语句
- Javascript 循环结构
- Javascript 循环结构实例
- Javascript 跳转语句
- Javascript 控制语句总结
- Javascript 函数介绍
- Javascript 函数的定义
- Javascript 函数调用
- Javascript 几种特殊的函数
- JavaScript 内置函数简介
- Javascript eval() 函数
- Javascript isFinite() 函数
- Javascript isNaN() 函数
- parseInt() 与 parseFloat()
- escape() 与 unescape()
- Javascript 字符串介绍
- Javascript length属性
- javascript 字符串函数
- Javascript 日期对象简介
- Javascript 日期对象用途
- Date 对象属性和方法
- Javascript 数组是什么
- Javascript 创建数组
- Javascript 数组赋值与取值
- Javascript 数组属性和方法
- Redis | Redis的帮助命令
- LeetCode | 206.反转链表
- java之子类对象实例化过程
- java之instanceof操作符
- java之Object类
- springboot开发之引入资源并实现跳转到登录界面
- java之==操作符和equals操作符
- LeetCode | 24.两两交换链表中的节点
- java之单例设计模式
- Nginx | Nginx的介绍和安装
- 真特么激动第一个爬虫----爬取豆瓣电影top250
- LeetCode | 141.环形链表
- LeetCode | 20.有效的括号
- springboot开发之实现登录功能
- springboot开发之国际化(中英文切换)