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？

 

 

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 

 

（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、模型评价
def class_report(pre, y_test):
    conf_matrix = confusion_matrix(y_test, pre)
    print("=====================================================")
    print("混淆矩阵：\n", conf_matrix)
    c = classification_report(y_test, pre)
    print("分类报告：\n", c)
    print("模型准确率：", (conf_matrix[0][0] + conf_matrix[1][1]) / np.sum(conf_matrix))

 

 

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 与 TfidfVectorizer，这两个类都是特征数值计算的常见方法。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。