机器学习11贝叶斯处理邮件分类问题------后续
1.读取
import csv path = r'C:\Users\Chen Zhenrui\PycharmProjects\untitled\机器学习\SMSSpamCollection' sms = open(path, 'r', encoding='utf-8') csv_reader = csv.reader(sms, delimiter='\t')
2.数据预处理
#文本预处理自定义函数
def preprocessing(text): text=text.lower() #将大学字符转成小写字符 seq = string.punctuation # string.punctuation 是python内置的标点符号的合集 # 去除符号 for ch in seq: text = text.replace(ch, '') # 用空格代替去掉的符号 tokens = [] # 定义一个空列表 # 分词 for set in nltk.sent_tokenize(text): # 分句 for word in nltk.word_tokenize(set): # 分词 tokens.append(word) # 将分词结果追加进列表 # 去除停用词 stops = stopwords.words("english") # 获取停用词 tokens = [token for token in tokens if token not in stops] # 删掉长度为一的单词 for i in tokens: if (len(i) == 1): tokens.remove(i) # 还原词性 lemmatizer = WordNetLemmatizer() # 定义还原对象 tokens = [lemmatizer.lemmatize(token, pos='n') for token in tokens] # 还原成名词 tokens = [lemmatizer.lemmatize(token, pos='v') for token in tokens] # 还原成动词 tokens = [lemmatizer.lemmatize(token, pos='a') for token in tokens] # 还原成形容词 # 将列表中的字符合为一条字符串，以空格隔开 tokens = " ".join(tokens) return tokens
#开始预处理 sms_data = []#存放标签（x） sms_label = []#存放期望值（y） for line in csv_reader: sms_label.append(line[0]) sms_data.append(preprocessing(line[1]))
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)
#划分训练集与测测试集 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=5,stratify=sms_label)
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
TfidfVectorizer方式转换
# 把原始文本转化为tf-idf的特征矩阵
x_traincp=x_train[0]
from sklearn.feature_extraction.text import TfidfVectorizer
tfidf = TfidfVectorizer() X_train = tfidf.fit_transform(x_train) # X_train用fit_transform生成词汇表 X_test = tfidf.transform(x_test) # rX_test要与X_train词汇表相同，因此在X_train进行fit_transform基础上进行transform操作 # 向量还原成邮件 import numpy as np a=np.flatnonzero(X_train.toarray()[0]) #获取x_train中第一行非0的值的位置列表 X_train.toarray()[0][a] #第一行中非零向量对应的值 b=tfidf.vocabulary_ key_list=[] for key,value in b.items(): if value in a: key_list.append(key) print('x_train中第一行向量对应的邮件内容:\n',key_list) #第一行向量对应的邮件内容 print('x_train中第一行邮件的原始内容为:\n',x_traincp) #第一行向量对应的邮件内容
CountVectorizer方式转换
# 使用CountVectorizer将单词向量化 from sklearn.feature_extraction.text import CountVectorizer countv = CountVectorizer() X_train = countv.fit_transform(x_train) X_test = countv.transform(x_test) # 沿用x_train的词袋来转化向量 # 转成数组后查看一下测试集的维度 print('训练集维度：\n',x_train.toarray().shape) # 训练集维度 print('测试集维度：\n', x_test.toarray().shape) # 测试集维度 countv.vocabulary_ # 词袋的词语的统计字典，（单词，单词的所在位置） # 讲向量还原成邮件 import numpy as np a = np.flatnonzero(x_train.toarray()[0]) # 获取x_train中第一行非0的值的位置列表 x_train.toarray()[0][a] # 第一行中非零向量对应的值 b = countv.vocabulary_ key_list = [] for key, value in b.items(): if value in a: key_list.append(key) print('x_train中第一行向量对应的邮件内容:\n', key_list) # 第一行向量对应的邮件内容 print('x_train中第一行邮件的原始内容为:\n', x_traincp) # 第一行向量对应的邮件内容
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？
答：因为高斯贝叶斯适用于正态分布数据，而从词袋中抽出单词，统计某一单词出现的频率属于n次独立重复试验，属于多项式分布概率，应该用多项式贝叶斯，所以选择MultinomialNB模型
from sklearn.naive_bayes import MultinomialNB mnb_model=MultinomialNB() mnb_model.fit(X_train,y_train) y_mnb=mnb_model.predict(X_test) # 预测结果 print("准确率：",mnb_model.score(X_test,y_test))
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
from sklearn.metrics import confusion_matrix print("模型的混淆矩阵:\n",confusion_matrix(y_test,y_mnb)) from sklearn.metrics import classification_report print("输出模型的分类报告 ：\n", classification_report( y_test,y_mnb))
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
分类报告：
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：
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。在少数据的情况下CountVectorizer有更好的表现，但是在有大量训练数据时TfidfVectorizer这种特征量化方式就更有优势。
