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

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

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？

 因为垃圾邮件的分类是随机散乱的，属于离散型变量，因此多项式朴素贝叶斯算法模型较为合适。

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

 　   准确率是衡量的查准率，是所有的预测正确（正类负类）的占总的比重，也就是找的对；

　　精确率是真正正确的占所有预测为正的比例；

　　召回率是衡量的查全率，是真正正确的占所有实际为正的比例，也就是找的全；

　　F 值是正确率和召回率的调和平均值。

　　

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？

　　相对于TfidfVectorizer来说使用CountVectorizer进行文本特征生成会降低准确率，因为CountVectorizer只考虑词频，而TfidfVectorizer兼顾词频与词数，因此也能够降低反复出现等的高频垃圾词汇，使得数据分析更具意义。