标签：pre pos 版本号 selection ret 输出 意义 cat enumerate
源代码：
#读取文件 file_path=r‘D:\PycharmProjects\201706120186罗奕涛\data\SMSSpamCollection‘ 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(preprocessing(line[1]))#对每封邮件做预处理 sms.close() print(sms_label) print(sms_data)
源代码：
import csv import nltk from nltk.corpus import stopwords from nltk.stem import WordNetLemmatizer print(nltk.__doc__)#输出版本号 def get_wordnet_pos(treebank_tag):#根据词性，生成还原参数pos if treebank_tag.startswith(‘J‘): return nltk.corpus.wordnet.ADJ elif treebank_tag.startswith(‘V‘): return nltk.corpus.wordnet.VERB elif treebank_tag.startswith(‘N‘): return nltk.corpus.wordnet.NOUN elif treebank_tag.startswith(‘R‘): 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")#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]#将大写字母变为小写 tag=nltk.pos_tag(tokens)#词性 lmtzr = WordNetLemmatizer() tokens = [lmtzr.lemmatize(token,pos=get_wordnet_pos(tag[i][1])) for i,token in enumerate(tokens)] preprocessed_text = ‘‘.join(tokens) return preprocessed_text
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)
源代码：
# 按0.8:0.2比例分为训练集和测试集 import numpy as np from sklearn.model_selection import train_test_split sms_data = np.array(sms_data) sms_label = np.array(sms_label) x_train, x_test, y_train, y_test = train_test_split(sms_data, sms_label, test_size=0.2, random_state=0, stratify=sms_label) print(len(sms_data),len(x_train),len(x_test)) print(x_train)
结果：
sklearn.feature_extraction.text.CountVectorizer
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
源代码：
# 将其向量化 from sklearn.feature_extraction.text import TfidfVectorizer vectorizer = TfidfVectorizer() X_train = vectorizer.fit_transform(x_train) X_test = vectorizer.transform(x_test) print(X_train.toarray().shape) print(X_test.toarray().shape)
结果：
from sklearn.naive_bayes import MultinomialNB
from sklearn.naive_bayes import MultinomialNB
说明为什么选择这个模型？
多项式朴素贝叶斯分类器适用于具有离散特征的分类(例如，用于文本分类的字数统计）
源代码：
from sklearn.naive_bayes import MultinomialNB clf = MultinomialNB().fit(X_train, y_train) y_nb_pred = clf.predict(X_test) # x_test预测结果 print(y_nb_pred.shape,y_nb_pred)
结果：
from sklearn.metrics import confusion_matrix
confusion_matrix = confusion_matrix(y_test, y_predict)
说明混淆矩阵的含义
混淆矩阵是一个2 × 2的情形分析表，显示以下四组记录的数目：作出正确判断的肯定记录（真阳性）、作出错误判断的肯定记录（假阴性）、作出正确判断的否定记录（真阴性）以及作出错误判断的否定记录（假阳性）
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
源代码：
from sklearn.metrics import confusion_matrix from sklearn.metrics import classification_report # 混淆矩阵 cm = confusion_matrix(y_test, y_nb_pred) print(‘nb_confusion_matrix:‘) print(cm) # 主要分类指标的文本报告 cr = classification_report(y_test, y_nb_pred) print(‘nb_classification_report:‘) print(cr)
结果：
如果用CountVectorizer进行文本特征生成，与TfidfVectorizer相比，效果如何？
CountVectorizer只能转化英文的，不能转化中文的，因为是靠空格识别的。
标签：pre pos 版本号 selection ret 输出 意义 cat enumerate
原文地址：https://www.cnblogs.com/tao614/p/12929544.html
