13-垃圾邮件分类2

1.读取

 

# 1、读取数据集
def read_dataset():
     file_path = r'SMSSpamCollection'
     sms = open(file_path, encoding='utf-8')
     sms_data = []
     sms_label = []
     csv_reader = csv.reader(sms, delimiter='\t')
     for line in csv_reader:
        sms_label.append(line[0])  # 提取出标签
        sms_data.append(preprocessing(line[1]))  # 提取出特征
     sms.close()
     return sms_data, sms_label

 

2.数据预处理

# 2、数据预处理
def preprocess(text):
     tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)]  # 分词
     stops = stopwords.words('english')  # 使用英文的停用词表
     tokens = [token for token in tokens if token not in stops]  # 去除停用词
     tokens = [token.lower() for token in tokens if len(token) >= 3]  # 大小写，短词
     wnl = WordNetLemmatizer()
     tag = nltk.pos_tag(tokens)  # 词性
     tokens = [wnl.lemmatize(token, pos=get_wordnet_pos(tag[i][1])) for i, token in enumerate(tokens)]  # 词性还原
     preprocessed_text = ' '.join(tokens)
     return preprocessed_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)

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？

 

答：由于本次的邮件数据并不符合正态分布的特征，而是属于概率性的数据，因此不能选择高斯型分布模型，此处选择多项式分布模型。

 

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

 

 答：

（1）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。

（5）F值：准确率和召回率的加权调和平均。

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：特征数值计算类，文本特征提取方法。
对于每一个训练文本，CountVectorizer会将文本中的词语转换为词频矩阵，它通过fit_transform函数计算各个词语在该训练文本出现的次数。

TfidfVectorizer：可以把原始文本转化为tf-idf的特征矩阵,从而为后续的文本相似度计算，还关注其他包含这个词的文本，挖掘更有意义的特征。

后者比较灵活。