机器学习之垃圾邮件分类2

 

1.读取

# 读取数据集
def read_dataset():
     file_path =r'C:\Users\Administrator\PycharmProjects\机器学习\data\SMSSpamCollection.csv'
     sms = open(file_path, 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')
     for line in csv_reader:
        sms_label.append(line[0])  # 提取出标签
        sms_data.append(preprocessing(line[1]))  # 对每封邮件做预处理
     sms.close()
     return sms_data, sms_label

　　

2.数据预处理

 # 预处理
def preprocessing(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]  # 停用词
     tokens = [token.lower() for token in tokens if len(token) >= 3]  # 大小写，短词
     lmtzr = WordNetLemmatizer()
     tag = nltk.pos_tag(tokens)  # 词性
     tokens = [lmtzr.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

# 向量还原邮件
def revert_mail(x_train, X_train, model):
    s = X_train.toarray()[0]
    print("第一封邮件向量表示为：", s)
    # 该函数输入一个矩阵，返回扁平化后矩阵中非零元素的位置（index）
    a = np.flatnonzero(X_train.toarray()[0])  # 非零元素的位置（index）
    print("非零元素的位置:", a)
    print("向量的非零元素的值：", s[a])
    b = model.vocabulary_  # 词汇表
    key_list = []
    for key, value in b.items():
        if value in a:
            key_list.append(key)  # key非0元素对应的单词
    print("向量非零元素对应的单词：", key_list)
    print("向量化之前的邮件：", x_train[0])

 

运行结果如下：

 

 

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？

# 模型选择（根据数据特点选择多项式分布）
def mnb_model(x_train, x_test, y_train, y_test):
    mnb = MultinomialNB()
    mnb.fit(x_train, y_train)
    ypre_mnb = mnb.predict(x_test)
    print("总数：", len(y_test))
    print("预测正确数：", (ypre_mnb == y_test).sum())
    return ypre_mnb

运行结果如下：

 

模型需要根据数据集中特征的特点来进行选取，垃圾邮件分类重点在于文档中单词出现的频率以及文档的重要性，不符合正态分布的特征。应选择多项式分布模型。比如鸢尾花数据等，其中判定是否为鸢尾花需要通过4种特征判断，并且这4种特征大小分布范围呈正态分布形状，因此鸢尾花的判断可以采用高斯型分布较为合适。

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

TP（True Positive）：真实为0，预测也为0

FN（False Negative）：真实为0，预测为1

FP（False Positive）：真实为1，预测为0

TN（True Negative）：真实为1，预测也为1

 

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：被分对的样本数除以所有的样本数，通常来说，正确率越高，分类器越好。（TP+TN）/总

精确率：表示被分为正例的示例中实际为正例的比例。 TP/（TP+FP）

召回率 ：召回率是覆盖面的度量，度量有多个正例被分为正例。TP/（TP+FN）

F值 ： 精确率 * 召回率 * 2 / ( 精确率 + 召回率) 。F值就是准确率（P）和召回率（R）的加权调和平均。

 

 

 

整体实现代码如下：

# -*- coding:utf-8 -*-
# 开发人员：爱飞的大白鲨
# 开发时间：2020/5/24 15:43
# 文件名称：垃圾邮件分类3.py
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import confusion_matrix, classification_report
import numpy as np

import nltk
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer
import csv
def get_wordnet_pos(treebank_tag):# 根据词性，生成还原参数pos
     if treebank_tag.startswith('J'):  # adj
        return nltk.corpus.wordnet.ADJ
     elif treebank_tag.startswith('V'):  # v
        return nltk.corpus.wordnet.VERB
     elif treebank_tag.startswith('N'):  # n
         return nltk.corpus.wordnet.NOUN
     elif treebank_tag.startswith('R'):  # adv
        return nltk.corpus.wordnet.ADV
     else:
       return nltk.corpus.wordnet.NOUN

 # 预处理
def preprocessing(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]  # 停用词
     tokens = [token.lower() for token in tokens if len(token) >= 3]  # 大小写，短词
     lmtzr = WordNetLemmatizer()
     tag = nltk.pos_tag(tokens)  # 词性
     tokens = [lmtzr.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

# 读取数据集
def read_dataset():
     file_path =r'C:\Users\Administrator\PycharmProjects\机器学习\data\SMSSpamCollection.csv'
     sms = open(file_path, 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')
     for line in csv_reader:
        sms_label.append(line[0])  # 提取出标签
        sms_data.append(preprocessing(line[1]))  # 对每封邮件做预处理
     sms.close()
     return sms_data, sms_label

# 划分数据集
def split_dataset(data, label):
     x_train, x_test, y_train, y_test = train_test_split(data, label, test_size=0.2, random_state=0, stratify=label)
     return x_train, x_test, y_train, y_test

# 把原始文本转化为tf-idf的特征矩阵
def tfidf_dataset(x_train,x_test):
     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)  # X_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
     return X_train, X_test, tfidf

# 向量还原邮件
def revert_mail(x_train, X_train, model):
    s = X_train.toarray()[0]
    print("第一封邮件向量表示为：", s)
    # 该函数输入一个矩阵，返回扁平化后矩阵中非零元素的位置（index）
    a = np.flatnonzero(X_train.toarray()[0])  # 非零元素的位置（index）
    print("非零元素的位置:", a)
    print("向量的非零元素的值：", s[a])
    b = model.vocabulary_  # 词汇表
    key_list = []
    for key, value in b.items():
        if value in a:
            key_list.append(key)  # key非0元素对应的单词
    print("向量非零元素对应的单词：", key_list)
    print("向量化之前的邮件：", x_train[0])

# 模型选择（根据数据特点选择多项式分布）
def mnb_model(x_train, x_test, y_train, y_test):
    mnb = MultinomialNB()
    mnb.fit(x_train, y_train)
    ypre_mnb = mnb.predict(x_test)
    print("总数：", len(y_test))
    print("预测正确数：", (ypre_mnb == y_test).sum())
    return ypre_mnb

# 模型评价：混淆矩阵，分类报告
def class_report(ypre_mnb, y_test):
    conf_matrix = confusion_matrix(y_test, ypre_mnb)
    print("混淆矩阵：\n", conf_matrix)
    c = classification_report(y_test, ypre_mnb)
    print("------------------------------------------")
    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))

if __name__ == '__main__':
    sms_data, sms_label = read_dataset() # 读取数据集
    x_train, x_test, y_train, y_test = split_dataset(sms_data, sms_label) # 划分数据集
    X_train, X_test,tfidf = tfidf_dataset(x_train, x_test) # 把原始文本转化为tf-idf的特征矩阵
    revert_mail(x_train, X_train, tfidf) # 向量还原成邮件
    y_mnb = mnb_model(X_train, X_test, y_train,y_test) # 模型选择
    class_report(y_mnb, y_test) # 模型评价

　　

运行结果如下：

 

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？

TfidfVectorizer：①除了考量某词汇在本文本出现的频率，还关注包含这个词汇的其他文本的数量；②能够削减高频没有意义的词汇出现带来的影响，挖掘更有意义的特征。

可以看出，在训练文本的数据越多，选择TfidfVectorizer这种特征量化方式更有优势，而且TfidfVectorizer可以削减高频没有意义的词汇，可以将有意义的词汇保留下来。