13-垃圾邮件分类2

1.读取

# 读取
path = r'C:\Users\mgx13\venv\data\SMSSpamCollection'
sms = open(path, 'r', encoding='utf-8')  # 数据读取
sms_data = []
sms_label = []
csv_reader = csv.reader(sms, delimiter='\t')
for line in csv_reader:  # 预处理
    sms_label.append(line[0])
    sms_data.append(preprocessing(line[1]))
sms.close()

 

2.数据预处理

# 预处理
# 根据词性，生成还原参数pos
def get_wordnet_pos(treebank_tag):
    if treebank_tag.startswith('J'):
        return nltk.corpus.wordnet.ADJ
    elif treebank_tag.startswith('V'):
        return nltk.corpus.wordnet.VERB
    elif treebank_tag.startswith('N'):
        return nltk.corpus.wordnet.NOUN
    elif treebank_tag.startswith('R'):
        return nltk.corpus.wordnet.ADV
    else:
        return nltk.corpus.wordnet.NOUN

def preprocessing(text):
    tokens=[word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)]
    stops=stopwords.words('english')
    tokens=[token for token in tokens if token not in stops]

    tokens = [token.lower() for token in tokens if len(token)>=3] # 大小写、长度<3
    lmtzr = WordNetLemmatizer()
    tag = nltk.pos_tag(tokens)  # 词性
    #  词性还原
    tokens = [lmtzr.lemmatize(token, pos=get_wordnet_pos(tag[i][1])) for i,token in enumerate(tokens)]
    preprocessing_text=' '.join(tokens)
    return preprocessing_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)

# 划分
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=0.2, random_state=0, stratify=sms_label)
len(sms_label)
len(x_train)
len(y_test)

 

 

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

# 转化为向量
from sklearn.feature_extraction.text import TfidfVectorizer
tfidf2 = TfidfVectorizer()
X_train = tfidf2.fit_transform(x_train)
X_test = tfidf2.transform(x_test)
X_train.toarray()  # 转换成数组

# 向量还原成邮件
import numpy as np
print("第一封邮件：", X_train.toarray()[0])
a = np.flatnonzero(X_train.toarray()[0])  # 该函数输入一个矩阵，返回扁平化后矩阵中非零元素的位置（index）
print("非零元素的位置：", a)
print("非零元素的值：", X_train.toarray()[0][a])
b = tfidf2.vocabulary_  # 生成词汇表
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("非零元素对应的单词：", key_list)
print("向量化之前的邮件：", x_train[0])

 

结果：

 

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？

# 模型选择
from sklearn.naive_bayes import MultinomialNB
mnb = MultinomialNB()
mnb.fit(X_train, y_train)
y_mnb = mnb.predict(X_test)
print("预测的准确率：", sum(y_mnb == y_test)/len(y_test))

结果：

原因：选择多项式模型，是因为每个单词出现的频率都是随机的，而且它n次重复实验随机事件出现的次数概率符合多项式的分布概率。

 

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、分类报告
from sklearn.metrics import confusion_matrix
from sklearn.metrics import classification_report
cm = confusion_matrix(y_test, y_mnb)
cr = classification_report(y_test, y_mnb)
print("混淆矩阵：\n", cm)
print("分类报告：", cr)
print("模型准确率：", (cm[0][0]+cm[1][1])/np.sum(cm))

结果：

混淆矩阵：

TP(True Positive)：将正类预测为正类数，真实为0，预测也为0

FN(False Negative)：将正类预测为负类数，真实为0，预测为1

FP(False Positive)：将负类预测为正类数， 真实为1，预测为0

TN(True Negative)：将负类预测为负类数，真实为1，预测也为1

 准确率：对于给定的测试数据集，分类器正确分类的样本数与总样本数之比。(TP + TN) / 总样本

精确率：针对预测结果，在被所有预测为正的样本中实际为正样本的概率。TP / (TP + FP)

召回率：在实际为正的样本中被预测为正样本的概率。TP / (TP + FN)

F值：同时考虑精确率和召回率，让两者同时达到最高，取得平衡。F值=正确率 * 召回率  * 2 / (正确率 + 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？

答：对于每一个训练文本，CountVectorizer 只考虑每种词汇在该训练文本中出现的频率，而TfidfVectorizer 除了考量某一词汇在当前训练文本中出现的频率之外，同时关注包含这个词汇的其它训练文本数目的倒数。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。