机器学习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

 

 

 

2.邮件预处理

1. 邮件分句
2. 句子分词
3. 大小写，标点符号，去掉过短的单词
4. 词性还原：复数、时态、比较级
5. 连接成字符串

2.1 传统方法来实现

2.2 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__

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 #停用词处理
from nltk.book import *
from nltk.stem import WordNetLemmatizer #词性还原
import pandas as pd
import csv

def preprocessing(text):
    ##用nltk进行分词
    tokens=[]
    for sent in nltk.sent_tokenize(text):
        for word in nltk.word_tokenize(sent):
            tokens.append(word)

    ##去除停用词
    stops = stopwords.words('english')
    tokens=[token for token in tokens if token not in stops]

    ##词性标注
    lemmatizer = WordNetLemmatizer()
    # tokens = [lemmatizer.lemmatize(token, pos='n') for token in tokens]  # 名词，单复数
    # tokens = [lemmatizer.lemmatize(token, pos='v') for token in tokens]  # 动词，时态
    # tokens = [lemmatizer.lemmatize(tok    en, pos='a') for token in tokens]  # 形容词，比较级
    # return tokens
    tag = nltk.pos_tag(tokens)
    newtokens = []
    for i, token in enumerate(tokens):
        if i:
            pos = get_wordnet(tag[i][1])
            if pos:
                word = lemmatizer.lemmatize(token, pos)
                newtokens.append(word)
    return newtokens

def get_wordnet(tag):
    if tag.startswith("J"):
        return nltk.corpus.wordnet.ADJ
    elif tag.startswith("V"):
        return nltk.corpus.wordnet.VERB
    elif tag.startswith("N"):
        return nltk.corpus.wordnet.NOUN
    elif tag.startswith("R"):
        return nltk.corpus.wordnet.ADV
    else:
        return ''

if __name__=="__main__":
    file_path = r'./SMSSpamCollection'
    sms = open(file_path, 'r', encoding='utf-8')
    sms_data = []
    sms_label = []
    csv_reader = csv.reader(sms, delimiter='\t')  ##以tab为分割
    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
    sms.close()
    for i in range(0, len(sms_label)):
        print(sms_label[i], sms_data[i])

 

 

3. 训练集与测试集

4. 词向量

5. 模型