码迷,mamicode.com
首页 > 其他好文 > 详细

朴素贝叶斯-垃圾邮件分类

时间:2020-05-17 13:29:03      阅读:57      评论:0      收藏:0      [点我收藏+]

标签:seve   查看   admin   load()   lis   tag   改名   缺省   地址   

1. 读邮件数据集文件,提取邮件本身与标签。

列表

numpy数组

import csv
file_path = r"SMSSpamCollection"
sms = open(file_path, ‘r‘, encoding=‘utf-8‘)
data = csv.reader(sms, delimiter="\t")
for r in data:
    print(r)
sms.close()

技术图片

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/

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。

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__

技术图片

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

1. def preprocessing(text):

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

3. 训练集与测试集

4. 词向量

5. 模型

# 导入库
import nltk
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer
import csv

def preprocessing(text):
    tokens = []
    # 对录入的文本按照句子进行分割;
    for sent in nltk.sent_tokenize(text): 
        # 对句子进行分词;
        for word in nltk.word_tokenize(sent): 
            tokens.append(word)
    
    # 去除停用词
    stops = stopwords.words("english")
    tokens = [token for token in tokens if token not in stops]

    # 词性标注
    nltk.pos_tag(tokens)

    # 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

    return tokens

# 加载数据
sms = open("SMSSpamCollection", ‘r‘, encoding=‘utf-8‘)

sms_data = []
sms_label = []
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()

print("邮件标题:", sms_label)
print("邮件处理后内容:")
for line in sms_data:
    print(line)

技术图片

技术图片

朴素贝叶斯-垃圾邮件分类

标签:seve   查看   admin   load()   lis   tag   改名   缺省   地址   

原文地址:https://www.cnblogs.com/lzhdonald/p/12904808.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!