码迷,mamicode.com
首页 > 其他好文 > 详细

13-垃圾邮件分类2

时间:2020-05-23 18:16:41      阅读:60      评论:0      收藏:0      [点我收藏+]

标签:label   正态分布   并且   open   html   包含   set   cti   process   

1.读取

技术图片

 

 

2.数据预处理

技术图片

 

 

3.数据划分—训练集和测试集数据划分

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)

技术图片

 

 

4.文本特征提取

sklearn.feature_extraction.text.CountVectorizer

https://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.CountVectorizer.html?highlight=sklearn%20feature_extraction%20text%20tfidfvectorizer

sklearn.feature_extraction.text.TfidfVectorizer

https://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.TfidfVectorizer.html?highlight=sklearn%20feature_extraction%20text%20tfidfvectorizer#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

技术图片

结果:

 技术图片

 

 

4.模型选择

from sklearn.naive_bayes import GaussianNB

from sklearn.naive_bayes import MultinomialNB

说明为什么选择这个模型?

选择模型通过模型数据的特点来进行选择。因为用高斯贝叶斯模型进行处理的数据,基本是符合正态分布的,而我们处理的数据是垃圾邮件,垃圾邮件分类重点在于文档中单词出现的频率以及文档的重要性,数据并不符合正态分布的特征,并且垃圾邮件判定过程是一个随机事件,是概率性的数据,并不符合正态分布的规则,所以选择多项式贝叶斯模型。

技术图片

 

 结果:

技术图片

5.模型评价:混淆矩阵,分类报告

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

TP(True Positive):真实为0,预测也为0

FN(False Negative):真实为0,预测为1

FP(False Positive):真实为1,预测为0

TN(True Negative):真实为1,预测也为1

技术图片

 

 结果:

技术图片

 

 

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 

 

准确率:被分对的样本数除以所有的样本数,通常来说,正确率越高,分类器越好。(TP+TN)/总

精确率:表示被分为正例的示例中实际为正例的比例。 TP/(TP+FP)

召回率 :召回率是覆盖面的度量,度量有多个正例被分为正例。TP/(TP+FN)

F值 : 精确率 * 召回率 * 2 / ( 精确率 + 召回率) 。F值就是准确率(P)和召回率(R)的加权调和平均。

技术图片

结果:

 技术图片

 

 

6.比较与总结

如果用CountVectorizer进行文本特征生成,与TfidfVectorizer相比,效果如何?

CountVectorizer只考虑每个单词出现的频率;然后构成一个特征矩阵,每一行表示一个训练文本的词频统计结果。TfidfVectorizer除了考量某词汇在本文本出现的频率,还关注包含这个词汇的其它文本的数量。

 相比之下,训练文本的数量越多,TfidfVectorizer这种特征量化方式就更有优势,而且TfidfVectorizer可以削减高频没有意义的词汇,应用于实际更有意义,实际效果也会更好。

from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import confusion_matrix, classification_report
import nltk
import csv
import numpy as np

# 根据词性,生成还原参数pos
def get_wordnet_pos(treebank_tag):
     if treebank_tag.startswith(J):  # 形容词
        return nltk.corpus.wordnet.ADJ
     elif treebank_tag.startswith(V):  # 动词
        return nltk.corpus.wordnet.VERB
     elif treebank_tag.startswith(N):  # 名词
         return nltk.corpus.wordnet.NOUN
     elif treebank_tag.startswith(R):  # 副词
        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)  # 使用英文的停用词表
     tokens = [token for token in tokens if token not in stops]  # 去除停用词
     tokens = [token.lower() for token in tokens if len(token) >= 3]  # 大小写,短词
     lmtzr = WordNetLemmatizer()
     tag = nltk.pos_tag(tokens)  # 词性
     tokens = [lmtzr.lemmatize(token, pos=get_wordnet_pos(tag[i][1])) for i, token in enumerate(tokens)]  # 词性还原
     preprocessed_text =  .join(tokens)
     return preprocessed_text

# 读取
def read_dataset():
     file_path = rSMSSpamCollection
     sms = open(file_path, encoding=utf-8)
     sms_data = []
     sms_label = []
     csv_reader = csv.reader(sms, delimiter=\t)
     for line in csv_reader:
        sms_label.append(line[0])  # 提取出标签
        sms_data.append(preprocessing(line[1]))  # 提取出特征
     sms.close()
     return sms_data, sms_label

# 划分数据集
def split_dataset(data, label):
     x_train, x_test, y_train, y_test = train_test_split(data, label, test_size=0.2, random_state=0, stratify=label)
     return x_train, x_test, y_train, y_test

# 把原始文本转化为tf-idf的特征矩阵
def tfidf_dataset(x_train,x_test):
     tfidf = TfidfVectorizer()
     X_train = tfidf.fit_transform(x_train)
     X_test = tfidf.transform(x_test)
     return X_train, X_test, tfidf

# 向量还原成邮件
def revert_mail(x_train, X_train, model):
    s = X_train.toarray()[0]
    print("第一封邮件向量表示为:", s)
    a = np.flatnonzero(X_train.toarray()[0])  # 非零元素的位置(index)
    print("非零元素的位置:", a)
    print("向量的非零元素的值:", s[a])
    b = model.vocabulary_  # 词汇表
    key_list = []
    for key, value in b.items():
        if value in a:
            key_list.append(key)  # key非0元素对应的单词
    print("向量非零元素对应的单词:", key_list)
    print("向量化之前的邮件:", x_train[0])

# 模型选择(根据数据特点选择多项式分布)
def mnb_model(x_train, x_test, y_train, y_test):

    mnb = MultinomialNB()
    mnb.fit(x_train, y_train)
    ypre_mnb = mnb.predict(x_test)
    print("总数:", len(y_test))
    print("预测正确数:", (ypre_mnb == y_test).sum())
    return ypre_mnb

# 模型评价:混淆矩阵,分类报告
def class_report(ypre_mnb, y_test):
    conf_matrix = confusion_matrix(y_test, ypre_mnb)
    print("=====================================================")
    print("混淆矩阵:\n", conf_matrix)
    c = classification_report(y_test, ypre_mnb)
    print("=====================================================")
    print("分类报告:\n", c)
    print("模型准确率:", (conf_matrix[0][0] + conf_matrix[1][1]) / np.sum(conf_matrix))

if __name__ == __main__:
    sms_data, sms_label = read_dataset() # 读取数据集
    x_train, x_test, y_train, y_test = split_dataset(sms_data, sms_label) # 划分数据集
    X_train, X_test,tfidf = tfidf_dataset(x_train, x_test) # 把原始文本转化为tf-idf的特征矩阵
    revert_mail(x_train, X_train, tfidf) # 向量还原成邮件
    y_mnb = mnb_model(X_train, X_test, y_train,y_test) # 模型选择
    class_report(y_mnb, y_test) # 模型评价

结果:

技术图片

 

 

13-垃圾邮件分类2

标签:label   正态分布   并且   open   html   包含   set   cti   process   

原文地址:https://www.cnblogs.com/cndl/p/12943553.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!