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
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?
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
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。
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只考虑每个单词出现的频率;然后构成一个特征矩阵,每一行表示一个训练文本的词频统计结果。TfidfVectorizer除了考量某词汇在本文本出现的频率,还包含这个词汇的其它文本的数量。相比之下,训练文本的数量越多,TfidfVectorizer这种特征量化方式就更有优势,而且TfidfVectorizer可以削减高频没有意义的词汇,应用于实际更有意义,实际效果也会更好。