第十三次作业-垃圾邮件分类2

1.读取

file_path = r'C:Userszgz机器学习RobitStuSMSSpamCollection'
email = open(file_path,'r',encoding='utf-8')  # 打开文件
email_data = []  # 列表存邮件
email_label = []  # 存标签
csv_reader = csv.reader(email,delimiter = '	')
for line in csv_reader:
    email_label.append(line[0])
    email_data.append(preprocessing(line[1]))  # 每封邮件做预处理
email.close()
print("总的邮件数",len(email_data))

2.数据预处理

# 根据词性，生成还原参数 pos
def get_wordnet_pos(treebank_tag):
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]

tag = nltk.pos_tag(tokens) # 词性标注
imtzr = WordNetLemmatizer()
tokens = [imtzr.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

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)

import numpy as np
from sklearn.model_selection import train_test_split
 
sms_data = np.array(sms_data)
sms_label = np.array(sms_label)
# test_size 指定划分的测试集样本占比
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("原数据集大小：",len(sms_data))
print("训练集大小：",len(x_train))
print("测试集大小：",len(x_test))

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

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)

 

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？

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)

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：

混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示。

混淆矩阵的每一列代表了预测类别 ，每一列的总数表示预测为该类别的数据的数目；每一行代表了数据的真实归属类别 ，每一行的数据总数表示该类别的数据实例的数目。

矩阵中的这四个数值，经常被用来定义其他一些度量。

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：

 准确率是我们最常见的评价指标，而且很容易理解，就是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。

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：只考虑词汇在文本中出现的频率，属于词袋模型特征。

TfidfVectorizer： 除了考量某词汇在文本出现的频率，还关注包含这个词汇的所有文本的数量。能够削减高频没有意义的词汇出现带来的影响, 挖掘更有意义的特征。属于Tfidf特征。

相比之下，文本条目越多，Tfid的效果会越显著。

CountVectorizer与TfidfVectorizer相比，对于负类的预测更加准确，而正类的预测则稍逊色。但总体预测正确率也比TfidfVectorizer稍高，相比之下似乎CountVectorizer更适合进行预测。