13-垃圾邮件分类2
1.读取
1 # 读取文件 2 sms = open(r'D:\机器学习\12垃圾邮件分类\SMSSpamCollection','r',encoding = 'utf-8') 3 sms_label = [] # 字符串的列表 4 sms_data = [] # 数据 5 csv_reader = csv.reader(sms, delimiter = '\t') 6 for line in csv_reader: 7 sms_label.append(line[0]) 8 sms_data.append(preprocessing(line[1])) # 对每封邮件做预处理,生成有效词的字符串 9 sms.close()
2.数据预处理
1 # 定义词性还原的函数 2 def get_wordnet_pos(treebank_tag): # 还原参数pos 3 if treebank_tag.startswith('J'): 4 return nltk.corpus.wordnet.ADJ 5 elif treebank_tag.startswith('V'): 6 return nltk.corpus.wordnet.VERB 7 elif treebank_tag.startswith('N'): 8 return nltk.corpus.wordnet.NOUN 9 elif treebank_tag.startswith('R'): 10 return nltk.corpus.wordnet.ADV 11 else: 12 return nltk.corpus.wordnet.NOUN 13 14 # 预处理 15 def preprocessing(text): 16 tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)] # 分词 17 stops = stopwords.words('english') # 停用词类型为英文 18 tokens = [token for token in tokens if token not in stops] # 保留非停用词 19 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 20 21 tag = nltk.pos_tag(tokens) # 标注词性 22 lemmatizer = WordNetLemmatizer() # 词性还原 23 tokens = [lemmatizer.lemmatize(token, pos = get_wordnet_pos(tag[i][1])) for i, token in enumerate(tokens)] # 词性还原 24 preprocessed_text = ''.join(tokens) 25 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:
1 # 划分训练集跟测试集 2 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% 3 print('总数据量:',len(sms_label)) 4 print('训练数据量:',len(x_train)) 5 print('测试数据量:',len(y_test))
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
代码:
1 # 向量化 2 tfidf2 = TfidfVectorizer() 3 X_train = tfidf2.fit_transform(x_train) 4 X_test = tfidf2.transform(x_test) 5 print(X_train.toarray().shape) 6 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:
1 mnb = MultinomialNB() 2 mnb.fit(X_train, y_train) 3 y_mnb = mnb.predict(X_test) 4 print('预测值:',y_mnb) 5 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:
1 # 混淆矩阵,分类报告 2 cm = confusion_matrix(y_test, y_mnb) 3 print(cm) 4 cr = classification_report(y_test, y_mnb) 5 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。