1.读取
sms = open("SMSSpamCollection", 'r', encoding='utf-8') # 数据读取 sms_data = [] sms_label = [] csv_reader = csv.reader(sms, delimiter=' ') for line in csv_reader: # 预处理 sms_label.append(line[0]) sms_data.append(preprocessing(line[1])) sms.close()
2.数据预处理
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 def preprocessing(text): tokens = [] tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)] # 去除停用词 stops = stopwords.words("english") tokens = [token for token in tokens if token not in stops] # 大小写 tokens = [token.lower() for token in tokens if len(token) >= 3] # 词性标注 tag = nltk.pos_tag(tokens) # 词性还原 lmtzr = WordNetLemmatizer() # 定义还原对象 tokens = [lmtzr.lemmatize(token, pos=get_wordnet_pos(tag[i][1])) for i, token in enumerate(tokens)] preprocessed_text = ' '.join(tokens) return preprocessed_text # 返回处理完成后的文本
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
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
##向量化 def tfidf(x_train, x_test): tfidf2 = TfidfVectorizer() # 将邮件内容转换为向量 x_train = tfidf2.fit_transform(x_train) x_test = tfidf2.transform(x_test) # 转成数组后查看测试集维度 print('训练集维度： ', x_train.toarray().shape) print('测试集维度： ', x_test.toarray().shape) # tfidf2.vocabulary_ # 词袋的词语的统计字典，（单词，单词位置） # 将向量还原成邮件 a = np.flatnonzero(x_train.toarray()[0]) # 获取x_train中第一行非0的值的位置列表 print("非零元素的位置", a) print("向量的非零元素：", x_train.toarray()[0][a]) b = tfidf2.vocabulary_ #词汇表 key_list = [] for key, value in b.items(): if value in a: key_list.append(key) print("非零元素对应的单词", key_list) print("向量化之前的邮件", x_traincp ) return x_train, x_test
结果为：
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？
def model_choose(x_train, y_train, x_test, y_test): mnb = MultinomialNB() mnb.fit(x_train, y_train) y_mnb = mnb.predict(x_test) print("预测准确率为：", sum(y_mnb == y_test) / len(y_test)) return y_mnb
结果为：
选择模型应该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单词出现的频率（单词对文档的重要性），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。
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
def classify(y_mnb, y_test): cm = confusion_matrix(y_test, y_mnb) print("混淆矩阵为： ", cm) cr = classification_report(y_test, y_mnb) print("分类报告为： ", cr) print("模型准确率为：", (cm[0][0] + cm[1][1]) / np.sum(cm))
结果为：
（1）混淆矩阵：混淆矩阵（Confusion Matrix）：
通过这四个指标，我们可以得出混淆矩阵，这四个指标分别是：
· 真实值是positive，模型认为是positive的数量（True Positive=TP） （966）
· 真实值是positive，模型认为是negative的数量（False Negative=FN）：这就是统计学上的第二类错误（Type II Error）（49）
· 真实值是negative，模型认为是positive的数量（False Positive=FP）：这就是统计学上的第一类错误（Type I Error）（0）
· 真实值是negative，模型认为是negative的数量（True Negative=TN）（109）
（2）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
（3）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）
（4）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）
（5）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。
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。