机器学习13- 垃圾邮件分类2

1.读取

2.数据预处理

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)

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

 

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？

 

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

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

混淆矩阵：【TP  FN】

　　　　　【FP TN】

TP：真实为1，测试也为1

FP：真实为0，测试为1

FN：真实为1，测试也为0

TN：真实为0，测试也为0

        

准确率：所有样本中预测正确与样本的比率

精确率：预测为正类0的准确率，即TP/(TP+FP)

召回率：真实为0预测为0的准确率

F值：衡量二分类模型精确度的一种指标，兼顾了精确率和召回率

 

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只注重频数，而TfidfVectorizer还注重词汇在别的文本中数量，所以CountVectorizer的数据看起来可能会好些，但是可能有一些词汇虽然频数高但是没有意义的也被计算进去了，所以TfidfVectorizer的方法相比之下能够更好的挖掘有意义的特征值。