朴素贝叶斯应用:垃圾邮件分类

#读取数据集
import csv
file_path=r'C:\Users\Administrator\Desktop\江南.txt'
sms=open(file_path,'r',encoding='utf-8')
text=csv.reader(sms,delimiter='\t')
text

#预处理
def preprocessing(text):
    #text=text.decode("utf-8")
    tokens=[word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)]   #进行分词
    stops=stopwords.words('english')                        #去掉停用词
    tokens=[token for token in tokens if token not in stops]
 
    tokens=[token.lower() for token in tokens if len(token)>=3]
    lmtzr=WordNetLemmatizer()           #词性还原
    tokens=[lmtzr.lemmatize(token) for  token in tokens]
    preprocessed_text=' '.join(tokens)
    return preprocessed_text 


#将其向量化
from sklearn.feature_extraction.text import TfidfVectorizer
vectorizer=TfidfVectorizer(min_df=2,ngram_range=(1,2),stop_words='english',strip_accents='unicode',norm='12')
x_train=[u'没有 你 的 地方 都是 他乡',u'没有 你 的 旅行 都是 流浪']
X_train=vectorizer.fit_transform(x_train)
X_test=vectorizer.transform(x_test)
                                     
   
#按比例分为训练集和测试集
import numpy as np
sms_data=np.array(sms_data)
sms_label=np.array(sms_label)
from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test=train_test_split(sms_data,sms_label,test_size=0.3,random_state=0,stratify=sms_label)


#朴素贝叶斯
from sklearn.naive_bayes import MultinomialNB
clf=MultinomialNB().fit(x_train,y_train)

#测试模型
from sklearn.metrics import confusion_matrix
from sklearn.metrics import classification_report
print(y_nb_pred.shape,y_nb_pred)
print('nb_confusion_matrix:')
cm=confusion_matrix(y_test.y_nb_pred)
print(cm)
print(‘nb_classification_report:’)
cr=classification_report(y_test.y_nb_pred)
print(cr)
                                            

 

posted @ 2018-11-29 11:53  何美玲  阅读(156)  评论(0编辑  收藏  举报