标签:close orm from email ima code mat imp ken
1. 数据准备:收集数据与读取
2. 数据预处理:处理数据
3. 训练集与测试集:将先验数据按一定比例进行拆分。
4. 提取数据特征,将文本解析为词向量 。
5. 训练模型:建立模型,用训练数据训练模型。即根据训练样本集,计算词项出现的概率P(xi|y),后得到各类下词汇出现概率的向量 。
6. 测试模型:用测试数据集评估模型预测的正确率。
混淆矩阵
准确率、精确率、召回率、F值
7. 预测一封新邮件的类别。
!pip install nltk import nltk from nltk.corpus import stopwords from nltk.stem import WordNetLemmatizer ##预处理 def preprocessing(text): #text=text.decode(‘utf-8‘) tokens=[word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)] stops=stopwords.words(‘english‘) tokens=[token for token in token not in stops] tokens=[token.lower() for tokens in tokens if len(token)>=3] lmtzr= WordNetsLemmatize() tokens=[lmtzr.lemmatize(token) for token in tokens] preprocessed_text=‘‘.jion(tokens) return preprocessed_text ##读取数据集 import csv file_path = r"D:\sms.txt" sms=open(file_path,‘r‘,encoding=‘utf-8‘) sms_data=[] sms_label=[] csv_reader=csv.reader(sms,delimiter=‘\t‘) for line in csv_reader: sms_label.append(line[0]) sms_data.append(line[1]) sms.close() from sklearn.model_selection import train_test_split x_train,x_test,y_train,y_test = train_test_split(sms_data,sms_label,test_size=0.3,random_state=0,stratify=sms_label) print(len(sms_data),len(x_train),len(x_test)) x_train
结果:
##将其向量化 from sklearn.feature_extraction.text import TfidfVectorizer vectorizer=TfidfVectorizer(min_df=2,ngram_range=(1,2),stop_words=‘english‘,strip_accents=‘unicode‘) X_train=vectorizer.fit_transform(x_train) X_test=vectorizer.transform(x_test) ##朴素贝叶斯分类器 from sklearn.naive_bayes import MultinomialNB clf=MultinomialNB().fit(X_train,y_train) y_nb_pred=clf.predict(X_test) ##分类结果显示 from sklearn.metrics import confusion_matrix from sklearn.metrics import classification_report print(y_nb_pred.shape,y_nb_pred) #x_test的预测结果 print(‘nb_confusion_matrix:‘) cm=confusion_matrix(y_test,y_nb_pred) #混淆矩阵 print(cm) print(‘nb_classification_report:‘) cr=classification_report(y_test,y_nb_pred) ##主要分类指标的文本报告 print(cr) feature_names=vectorizer.get_feature_names() ##出现过的单词列表 coefs=clf.coef_ ##先验概率P(x_i|y),6034 feature_log_prob_ intercept=clf.intercept ##P(y),class_log_prior_;array;shape(n_classes,)Smoothed empirical log probability for each class coefs_with_fns=sorted(zip(coefs[0],feature_name)) ##对数概率P(x_i|y)与单词x_i映射 n=10 top = zip(coefs_with_fns[:n],coefs_with_fns[:-(n+1):-1]) ##最大的10个与最小的10个单词 for (coef_1,fn_1),(coef_2,fn_2) in top: print(‘\t%.4f\t%-15s\t\t%.4f\t%-15s‘%(coef_1,fn_1,coef_2,fn_2)) ##查看准确率、召回率、F值、精确率
结果:
##预测一封新邮件的类别。 new_email=[‘新邮件‘] vectorizer(new_email) clf.predict(new_email)
标签:close orm from email ima code mat imp ken
原文地址:https://www.cnblogs.com/huang201606050002/p/10057556.html