12.朴素贝叶斯-垃圾邮件分类

1. 读邮件数据集文件，提取邮件本身与标签。

列表

numpy数组

import csv
sms=open("D:\机器学习\SMSSpamCollection",'r',encoding='utf-8')
csv_reader=csv.reader(sms, delimiter='\t')
for line in csv_reader:
    print(line)
sms.close() 

　　

 

 

 

2.邮件预处理

• 邮件分句
• 名子分词
• 去掉过短的单词
• 词性还原
• 连接成字符串

 

•  传统方法来实现
•  nltk库的安装与使用

pip install nltk

import nltk

nltk.download()     # sever地址改成 http://www.nltk.org/nltk_data/

或

https://github.com/nltk/nltk_data下载gh-pages分支，里面的Packages就是我们要的资源。

将Packages文件夹改名为nltk_data。

或

网盘链接：https://pan.baidu.com/s/1iJGCrz4fW3uYpuquB5jbew    提取码：o5ea

放在用户目录。

----------------------------------

安装完成，通过下述命令可查看nltk版本：

import nltk
print nltk.__doc__

 安装成功后，查看nltk版本：

 

 

 

2.1 nltk库 分词

nltk.sent_tokenize(text) #对文本按照句子进行分割

nltk.word_tokenize(sent) #对句子进行分词

2.2 punkt 停用词

from nltk.corpus import stopwords

stops=stopwords.words('english')

*如果提示需要下载punkt

nltk.download(‘punkt’)

或 下载punkt.zip

https://pan.baidu.com/s/1OwLB0O8fBWkdLx8VJ-9uNQ  密码：mema

复制到对应的失败的目录C:\Users\Administrator\AppData\Roaming\nltk_data\tokenizers并解压。

 

2.3 NLTK 词性标注

nltk.pos_tag(tokens)

2.4 Lemmatisation（词性还原）

from nltk.stem import WordNetLemmatizer

lemmatizer = WordNetLemmatizer()

lemmatizer.lemmatize('leaves') #缺省名词

lemmatizer.lemmatize('best',pos='a')

lemmatizer.lemmatize('made',pos='v')

一般先要分词、词性标注，再按词性做词性还原。

2.5 编写预处理函数

def preprocessing(text):

sms_data.append(preprocessing(line[1])) #对每封邮件做预处理

 

import nltk
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer
import csv
def preprocessing(text):

tokens = []

for sent in nltk.sent_tokenize(text):

for word in nltk.word_tokenize(sent):

tokens.append(word)
stops </span>= stopwords.words(<span style="color: #800000;">"</span><span style="color: #800000;">english</span><span style="color: #800000;">"</span><span style="color: #000000;">)
tokens </span>= [token <span style="color: #0000ff;">for</span> token <span style="color: #0000ff;">in</span> tokens <span style="color: #0000ff;">if</span> token <span style="color: #0000ff;">not</span> <span style="color: #0000ff;">in</span><span style="color: #000000;"> stops]


nltk.pos_tag(tokens)


lemmatizer </span>=<span style="color: #000000;"> WordNetLemmatizer()  
tokens </span>= [lemmatizer.lemmatize(token, pos=<span style="color: #800000;">'</span><span style="color: #800000;">n</span><span style="color: #800000;">'</span>) <span style="color: #0000ff;">for</span> token <span style="color: #0000ff;">in</span><span style="color: #000000;"> tokens]  
tokens </span>= [lemmatizer.lemmatize(token, pos=<span style="color: #800000;">'</span><span style="color: #800000;">v</span><span style="color: #800000;">'</span>) <span style="color: #0000ff;">for</span> token <span style="color: #0000ff;">in</span><span style="color: #000000;"> tokens]  
tokens </span>= [lemmatizer.lemmatize(token, pos=<span style="color: #800000;">'</span><span style="color: #800000;">a</span><span style="color: #800000;">'</span>) <span style="color: #0000ff;">for</span> token <span style="color: #0000ff;">in</span><span style="color: #000000;"> tokens]  
</span><span style="color: #0000ff;">return</span><span style="color: #000000;"> tokens  

sms = open("SMSSpamCollection", 'r', encoding='utf-8')

sms_data = []

sms_label = []

csv_reader = csv.reader(sms, delimiter='\t')

for line in csv_reader:

sms_label.append(line[0])

sms_data.append(preprocessing(line[1]))

sms.close()
print("标题内容：", sms_label)

print("处理后内容：")

for r in sms_data:

print(r)

 

 

3. 训练集与测试集

4. 词向量

5. 模型