12.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？

选择模型基于模型数据的特点。单词出现的频率与正态分布规则不符，所以用MultinomialNB。

 

 

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 

 

TP（True Positive）	FN（False Negative）	FP（False Positive）	TN（True Negative）
真实为0，预测为0	真实为0，预测为1	真实为1，预测为0	真实为1，预测为1

 

准确率	精确率	召回率	F值
（TP+TN）/总	TP/（TP+FP）	TP/（TP+FN）	精确率 * 召回率 * 2 / ( 精确率 + 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和TfidfVectorizer都考虑每个词在文本中出现的频率，而TfidfVectorizer还关注包含这个词的其它文本的数量。说明CountVectorizer削减高频且无意义的词汇效果不如TfidfVectorizer。