码迷,mamicode.com
首页 > 其他好文 > 详细

朴素贝叶斯应用:垃圾邮件分类

时间:2018-12-06 11:05:10      阅读:253      评论:0      收藏:0      [点我收藏+]

标签:zip   mode   .sh   类别   info   提取   print   mit   rtu   

朴素贝叶斯应用:垃圾邮件分类

 

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。

 

#导入nltk数据包
import nltk
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer

#导入包
import csv  
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.metrics import confusion_matrix
from sklearn.metrics import classification_report

text = ‘‘‘As per your request ‘Melle Melle (Oru Minnaminunginte Nurungu Vettam)‘ has been set as your callertune for all Callers. Press *9 to copy your friends Callertune‘‘‘

#进行邮件预处理
def preprocessing(text):
    text=text.decode("utf-8")
    # 分词
    tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)]
    stops = stopwords.words(english#停用词
    tokens = [token for token in tokens if token not in stops]  #去掉停用词
    tokens = [token.lower() for token in tokens if len(token) >= 3]     #去掉短于3的词
   
     #词性还原                       
    lmtzr = WordNetLemmatizer()   
    tokens = [lmtzr.lemmatize(token) for token in tokens]
     
    #将剩下的词重新连接成字符串
    preprocessed_text =  .join(tokens)
    return preprocessed_text

 
#读数据
file_path = rC:\Users\Administrator\Desktop\ems.txt
ems = open(file_path,r,encoding=utf-8)
ems_data=[]  
ems_label=[]   #保存
csv_reader=csv.reader(ems,delimiter=\t)

 #将数据分别存入数据列表和目标分类列表                           
for line in csv_reader:
    ems_label.append(line[0])
    ems_data.append(preprocessing(line[1]))
ems.close()

 

#将数据分为训练集和测试集,再将其向量化
from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test=train_test_split(ems_data,ems_target,test_size=0.3,random_state=0,startify=ems_target)
print(len(x_train,len(x_test)))
                            

# 将其向量化
from sklearn.feature_extraction.text import TfidfVectorizer   #建立数据的特征向量
vectorizer=TfidfVectorizer(min_df=2,ngram_range=(1,2),stop_words=english,strip_accents=unicode,norm=l2)
X_train = vectorizer.fit_transform(x_train)
X_test = vectorizer.transform(x_test)

import numpy as np               #观察向量
a = X_train.toarray()
                            
for i in range(1000):            #输出不为0的列
    for j in range(5984):
        if a[i,j]!=0:
            print(i,j,a[i,j])
                            

#朴素贝叶斯分类器
from sklearn.navie_bayes import MultinomialNB
clf = MultinomialNB().fit(X_train,y_train)
y_nb_pred = clf.predict(X_test)


# 分类结果显示
print(y_nb_pred.shape,y_nb_pred) # x-test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_repert:)
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_ily),6034 feature_log_preb
intercept = clf.intercept_ # P(y),class_log_prior : array,shape(n...
coefs_with_fns=sorted(zip(coefs[0],feature_names)) #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))

                            
#预测一封新邮件的类别。
new_email=[新邮件]
vectorizer(new_email)
clf.predict(new_email)

 

结果:

技术分享图片技术分享图片

 

 

朴素贝叶斯应用:垃圾邮件分类

标签:zip   mode   .sh   类别   info   提取   print   mit   rtu   

原文地址:https://www.cnblogs.com/Soooooo/p/10075294.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!