13-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)

 

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

 

 

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？

高斯贝叶斯模型需要根据数据集中特征向量进行分类，特征需要符合正态分布。

垃圾邮件分类用计算于文档中单词出现的频率以及文档的重要性，词频统计属于随机试验，特征不符合正态分布。此处选择多项式分布模型。

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

混淆矩阵的每一列代表了预测类别，每一列的总数表示预测为该类别的数据的数目；每一行代表了数据的真实归属类别，每一行的数据总数表示该类别的数据实例的数目。

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 

准确率：所有样本中被预测正确的样本比率

精确率：预测为正类0的准确率=TP/(TP+FP)

召回率：真实为0预测为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率和召回率

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？

CountVectorizer：只考虑词汇在文本中出现的频率，属于词袋模型特征。

TfidfVectorizer  ： 除了考滤某词汇在文本出现的频率，还关注包含这个词汇的所有文本的数量。能够削减高频没有意义的词汇出现带来的影响, 挖掘更有意义的特征。属于Tfidf特征。

 

CountVectorizer与TfidfVectorizer相比，个体预测能力较低，TfidfVectorizer能够削减高频没有意义的词汇出现带来的影响，更适用来分类垃圾邮件。