十二次作业
1.读取
# 1.读取数据集
def read_dataset():
file_path = r'D:\SMSSpamCollection.txt'
sms = open(file_path, encoding='utf-8')
sms_data = []
sms_label = []
csv_reader = csv.reader(sms, delimiter='\t')
for line in csv_reader:
sms_label.append(line[0]) # 提取出标签
sms_data.append(preprocessing(line[1])) # 提取出特征
sms.close()
return sms_data, sms_label
2.数据预处理
# 2、数据预处理
def preprocess(text):
tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)] # 分词
stops = stopwords.words('english') # 使用英文的停用词表
tokens = [token for token in tokens if token not in stops] # 去除停用词
tokens = [token.lower() for token in tokens if len(token) >= 3] # 大小写，短词
wnl = WordNetLemmatizer()
tag = nltk.pos_tag(tokens) # 词性
tokens = [wnl.lemmatize(token, pos=get_wordnet_pos(tag[i][1])) for i, token in enumerate(tokens)] # 词性还原
preprocessed_text = ' '.join(tokens)
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)
def split_dataset(data, label):
x_train, x_test, y_train, y_test = train_test_split(data, label, test_size=0.2, random_state=0, stratify=label)
return x_train, x_test, y_train, y_tes
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
# 4、文本特征提取
# 把文本转化为tf-idf的特征矩阵
def tfidf_dataset(x_train,x_test):
tfidf = TfidfVectorizer()
X_train = tfidf.fit_transform(x_train)
X_test = tfidf.transform(x_test)
return X_train, X_test, tfidf
# 向量还原成邮件
def revert_mail(x_train, X_train, model):
s = X_train.toarray()[0]
print("第一封邮件向量表示为：", s)
a = np.flatnonzero(X_train.toarray()[0]) # 非零元素的位置（index）
print("非零元素的位置:", a)
print("向量的非零元素的值：", s[a])
b = model.vocabulary_ # 词汇表
key_list = []
for key, value in b.items():
if value in a:
key_list.append(key) # key非0元素对应的单词
print("向量非零元素对应的单词：", key_list)
print("向量化之前的邮件：", x_train[0])
5.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 本次邮件数据属于概率性的数据，并不符合正态分布的特征，是不能选择高斯型分布模型，应该选择多项式分布模型
# 5、模型选择
def mnb_model(x_train, x_test, y_train, y_test):
mnb = MultinomialNB()
mnb.fit(x_train, y_train)
pre = mnb.predict(x_test)
print("总数：", len(y_test))
print("预测正确数：", (pre == y_test).sum())
print("预测准确率：",sum(pre == y_test) / len(y_test))
return pre
6.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：①混淆矩阵 confusion-matrix:
TP（True Positive）：真实为0，预测为0
TN（True Negative）：真实为1，预测为1
FN（False Negative）：真实为0，预测为1
FP（False Positive）：真实为1，预测为0
②准确率 accuracy：代表分类器对整个样本判断正确的比重。
③精确率 precision：指被分类器判断正例中的正样本的比重。
④召回率 recall：指被预测为正例的占总的正例的比重。
⑤F值：准确率和召回率的加权调和平均。
# 模型评价：混淆矩阵，分类报告
def class_report(ypre_mnb, y_test):
conf_matrix = confusion_matrix(y_test, ypre_mnb)
print("=====================================================")
print("混淆矩阵：\n", conf_matrix)
c = classification_report(y_test, ypre_mnb)
print("=====================================================")
print("分类报告：\n", c)
print("模型准确率：", (conf_matrix[0][0] + conf_matrix[1][1]) / np.sum(conf_matrix))
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？
