机器学习之垃圾邮件分类（朴素贝叶斯）

 

1. 读邮件数据集文件，提取邮件本身与标签。

列表

numpy数组

 

运行结果如下：

2.邮件预处理

• 邮件分句
• 名子分词
• 去掉过短的单词
• 词性还原
• 连接成字符串

 

•  传统方法来实现
•  nltk库的安装与使用

pip install nltk

import nltk

nltk.download()     # sever地址改成 http://www.nltk.org/nltk_data/

或

https://github.com/nltk/nltk_data下载gh-pages分支，里面的Packages就是我们要的资源。

将Packages文件夹改名为nltk_data。

或

网盘链接：https://pan.baidu.com/s/1iJGCrz4fW3uYpuquB5jbew    提取码：o5ea

放在用户目录。

----------------------------------

安装完成，通过下述命令可查看nltk版本：

import nltk
print nltk.__doc__

 

2.1 nltk库 分词

nltk.sent_tokenize(text) #对文本按照句子进行分割

nltk.word_tokenize(sent) #对句子进行分词

2.2 punkt 停用词

from nltk.corpus import stopwords

stops=stopwords.words('english')

*如果提示需要下载punkt

nltk.download(‘punkt’)

或 下载punkt.zip

https://pan.baidu.com/s/1OwLB0O8fBWkdLx8VJ-9uNQ  密码：mema

复制到对应的失败的目录C:\Users\Administrator\AppData\Roaming\nltk_data\tokenizers并解压。

 

2.3 NLTK 词性标注

nltk.pos_tag(tokens)

2.4 Lemmatisation（词性还原）

from nltk.stem import WordNetLemmatizer

lemmatizer = WordNetLemmatizer()

lemmatizer.lemmatize('leaves') #缺省名词

lemmatizer.lemmatize('best',pos='a')

lemmatizer.lemmatize('made',pos='v')

一般先要分词、词性标注，再按词性做词性还原。

2.5 编写预处理函数

def preprocessing(text):

sms_data.append(preprocessing(line[1])) #对每封邮件做预处理

 预处理代码如下：

# -*- coding:utf-8 -*-
# 开发人员：爱飞的大白鲨
# 开发时间：2020/5/1715:48
# 文件名称：垃圾邮件分类2.py
import nltk
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer
import csv

def preprocessing(text):
    tokens = [];
    for sent in nltk.sent_tokenize(text):      #文本分割;
        for word in nltk.word_tokenize(sent):  #单词分类；
            tokens.append(word)


    #3.去除停用词(如i\me\my等)
    stops=stopwords.words("english")
    tokens = [token for token in tokens if token not in stops]

    # 4.大小转换，去掉少于三个字母单词
    tokens=[token.lower() for token in tokens if len(token) >=3]
    # NLTK词性标注
    nltk.pos_tag(tokens)

    #5.词性还原
    lemmatizer=WordNetLemmatizer()  #定义还原对象
    tokens=[lemmatizer.lemmatize(token,pos='n')for token in tokens]  #名词
    tokens=[lemmatizer.lemmatize(token,pos='v')for token in tokens]  #动词
    tokens=[lemmatizer.lemmatize(token,pos='a')for token in tokens]  #形容词

    # 返回处理完成后的文本
    return tokens;
file=r'C:\Users\Administrator\PycharmProjects\机器学习\data\SMSSpamCollection.csv'
sms=open(file,'r',encoding='utf-8')  #读取数据
sms_label=[] #存储标题
sms_data=[] #存储数据
csv_reader=csv.reader(sms,delimiter='\t')
#预处理
for line in csv_reader:
    sms_label.append(line[0])
    sms_data.append(preprocessing(line[1]))
sms.close()
#打印结果
print("标题：",sms_label)
print("处理后的内容：")
for i in sms_data:
    print(i)

 

运行结果如下：

3. 训练集与测试集

4. 词向量

5. 模型