13-垃圾邮件分类2

1.读取

# 读取文件
sms = open(r'D:\机器学习\12垃圾邮件分类\SMSSpamCollection','r',encoding = 'utf-8')
sms_label = []  # 字符串的列表
sms_data = []   # 数据
csv_reader = csv.reader(sms, delimiter = '\t')
for line in csv_reader:
    sms_label.append(line[0])
    sms_data.append(preprocessing(line[1])) # 对每封邮件做预处理，生成有效词的字符串
sms.close()

2.数据预处理

# 定义词性还原的函数
def get_wordnet_pos(treebank_tag):  # 还原参数pos
    if treebank_tag.startswith('J'):
        return nltk.corpus.wordnet.ADJ
    elif treebank_tag.startswith('V'):
        return nltk.corpus.wordnet.VERB
    elif treebank_tag.startswith('N'):
        return nltk.corpus.wordnet.NOUN
    elif treebank_tag.startswith('R'):
        return nltk.corpus.wordnet.ADV
    else:
        return nltk.corpus.wordnet.NOUN

# 预处理
def preprocessing(text):
    tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)]   # 分词
    stops = stopwords.words('english')  # 停用词类型为英文
    tokens = [token for token in tokens if token not in stops]  # 保留非停用词
    tokens = [token.lower() for token in tokens if len(token)>=3]   # 大写转小写,去掉长度短于3的词

    tag = nltk.pos_tag(tokens)  # 标注词性
    lemmatizer = WordNetLemmatizer()  # 词性还原
    tokens = [lemmatizer.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

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)

代码：

# 划分训练集跟测试集
x_train, x_test, y_train, y_test = train_test_split(sms_data, sms_label, test_size = 0.2, stratify = sms_label) # 测试集占20%
print('总数据量：',len(sms_label))
print('训练数据量：',len(x_train))
print('测试数据量：',len(y_test))

结果：

4.文本特征

提取

sklearn.feature_extraction.text.CountVectorizer

https://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.CountVectorizer.html?highlight=sklearn%20feature_extraction%20text%20tfidfvectorizer

sklearn.feature_extraction.text.TfidfVectorizer

https://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.TfidfVectorizer.html?highlight=sklearn%20feature_extraction%20text%20tfidfvectorizer#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

代码：

# 向量化
tfidf2 = TfidfVectorizer()
X_train = tfidf2.fit_transform(x_train)
X_test = tfidf2.transform(x_test)
print(X_train.toarray().shape)
print(X_test.toarray().shape)

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？

答：选用多项式贝叶斯算法，因为它适用于随机抽取事件，而垃圾邮件分类的核心也是分析文本单词出现的频率。

代码：

mnb = MultinomialNB()
mnb.fit(X_train, y_train)
y_mnb = mnb.predict(X_test)
print('预测值：',y_mnb)
print('实际值：',y_test)

结果：

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

 答：混淆矩阵是用来总结一个分类器结果的矩阵，对于k元分类，它就是个k*k的表格，用来记录分类器的预测结果。

 

 

 

 TP(True Positive)：真实为0，预测也为0

 FN(False Negative)：真实为0，预测为1

 FP(False Positive)：真实为1，预测为0

 TN(True Negative)：真实为1，预测也为1

准确率：所有样本中被预测正确的样本的比率

精确率：预测为正类0的准确率

召回率：真实为0预测也为0的准确率

F值：用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的精确度和召回率。

代码：

# 混淆矩阵，分类报告
cm = confusion_matrix(y_test, y_mnb)
print(cm)
cr = classification_report(y_test, y_mnb)
print(cr)

结果：

6.比较与总结

如果用CountVectorizer进行文本特征生成，与TfidfVectorizer相比，效果如何？

答：效果较差，因为用CountVectorizer进行文本特征生成，会出现正常邮件被划分为垃圾邮件的情况；而用TfidfVectorizer进行文本特征生成，虽然出错的情况比前者较多，但是不会出现正常邮件被划分为垃圾邮件的情况。