标签:分享 [] lse 朴素贝叶斯 matrix 指标 词向量 计算 transform
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。
import csv file_path =r‘E:\jupyter\SMSSpamCollectionjsn.txt‘#原始的邮件 sms=open(file_path,‘r‘,encoding=‘utf-8‘) csv_reader=csv.reader(sms,delimiter=‘\t‘) sms_data=[]#邮件的内容 sms_label=[]#邮件的类别 for line in csv_reader: sms_label.append(line[0]) sms_data.append(line[1]) sms.close() #对数据预处理 sms_data1 = []#存放处理过的邮件 for line in sms_data:#对邮件的内容进行处理 for k in line: if k.isalpha() is False: # 不是字母,发生替换操作: newString = line.replace(k," ") dataList = newString.split(" ") sms_data1.append(dataList) #去掉长度小于3的词和没有语义的词 sms_data2= [] for line in sms_data: dataList = [] for i in line: if i != ‘‘ and len(i) > 3 and i.isalpha(): dataList.append(i) dataString = ‘ ‘.join(dataList) sms_data.append(dataString) sms_data =sms_data2 ##训练集与测试集:将先验数据按一定比例进行拆分 from sklearn.model_selection import train_test_split x_train,x_test,y_train,y_test = train_test_split(sms_data2,sms_label,test_size=0.3,random_state=0,stratify=sms_label) #提取数据特征,将文本解析为词向量 from sklearn.feature_extraction.text import TfidfVectorizer 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) #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 from sklearn.metrics import confusion_matrix from sklearn.metrics import classification_report 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_report:‘) cr=classification_report(y_test,y_nb_pred)#主要分类指标的文本报告 print(cr)
标签:分享 [] lse 朴素贝叶斯 matrix 指标 词向量 计算 transform
原文地址:https://www.cnblogs.com/1158Z/p/10078224.html