机器学习作业12--朴素贝叶斯-垃圾邮件分类

1. 读邮件数据集文件，提取邮件本身与标签。

列表

numpy数组

实验代码为：

import csv
file_path = r"C:Users23625Desktop机器学习项目dataSMSSpamCollection"
sms = open(file_path, 'r', encoding='utf-8')
csv_reader = csv.reader(sms, delimiter='	')
for r in csv_reader:
    print(r)
sms.close()

实验结果为：

2.邮件预处理

1. 邮件分句
2. 句子分词
3. 大小写，标点符号，去掉过短的单词
4. 词性还原：复数、时态、比较级
5. 连接成字符串

2.1 传统方法来实现

实验代码为：

sep = '.,:;?!-_'  # 标点符号
exclude = {'a', 'the', 'and', 'i', 'you', 'in'}  # 无意义的词
file_path = r"C:Users23625Desktop机器学习项目dataSMSSpamCollection"


def getxx():
    txt = open(file_path, 'r', encoding='utf-8').read().lower()  # 大小写
    for ch in sep:
        txt = txt.replace(ch, '')  # 标点符号
    return txt


bigstr = getxx()  # 获取待统计字符串
biglist = bigstr.split()  # 英文分词列表
bigdict = {}
for word in biglist:
    bigdict[word] = bigdict.get(word, 0) + 1  # 词频统计字典
for word in exclude:
    del (bigdict[word])  # 无意义的词
print(bigdict)
bigitems = list(bigdict.items())
bigitems.sort(key=lambda x: x[1], reverse=True)  # 按词频排序
print("出现次数最多的10个单词：")
for i in range(10):
    w, c = bigitems[i]
    print('{0:>10};{1:<5}'.format(w, c))  # TOP10

实验结果为：

2.2 nltk库的安装与使用

pip install nltk

import nltk

nltk.download()     # sever地址改成 http://www.nltk.org/nltk_data/

或

https://github.com/nltk/nltk_data下载gh-pages分支，里面的Packages就是我们要的资源。

将Packages文件夹改名为nltk_data。

或

网盘链接：https://pan.baidu.com/s/1iJGCrz4fW3uYpuquB5jbew    提取码：o5ea

放在用户目录。

----------------------------------

安装完成，通过下述命令可查看nltk版本：

import nltk

print nltk.__doc_

实验结果为：

 

2.1 nltk库 分词

nltk.sent_tokenize(text) #对文本按照句子进行分割

nltk.word_tokenize(sent) #对句子进行分词

2.2 punkt 停用词

from nltk.corpus import stopwords

stops=stopwords.words('english')

*如果提示需要下载punkt

nltk.download(‘punkt’)

或 下载punkt.zip

https://pan.baidu.com/s/1OwLB0O8fBWkdLx8VJ-9uNQ  密码：mema

复制到对应的失败的目录C:UsersAdministratorAppDataRoaming ltk_data okenizers并解压。

2.3 NLTK 词性标注

nltk.pos_tag(tokens)

2.4 Lemmatisation（词性还原）

from nltk.stem import WordNetLemmatizer

lemmatizer = WordNetLemmatizer()

lemmatizer.lemmatize('leaves') #缺省名词

lemmatizer.lemmatize('best',pos='a')

lemmatizer.lemmatize('made',pos='v')

一般先要分词、词性标注，再按词性做词性还原。

2.5 编写预处理函数

def preprocessing(text):

sms_data.append(preprocessing(line[1])) #对每封邮件做预处理

 实验代码为：

import csv
import nltk
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer


# 词性还原
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


# 预处理
def preprocessing(text):
    tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)]  # 将所有单词形成列表
    stops = stopwords.words('english')  # 停用词
    tokens_stop = [token for token in tokens if token not in stops]  # 去掉停用词
    lemmatizer = WordNetLemmatizer()
    tag = nltk.pos_tag(tokens_stop)  # 词性标注，标出是不是形容词等等
    newtokens = []
    for i, token in enumerate(tokens_stop):
        if token:
            pos = get_wordnet_pos(tag[i][1])
            if pos:
                word = lemmatizer.lemmatize(token, pos)
                newtokens.append(word)
    return newtokens


file_path = r"C:Users23625Desktop机器学习项目dataSMSSpamCollection"
sms = open(file_path, 'r', encoding='utf-8')
sms_data = []
sms_lable = []
csv_reader = csv.reader(sms, delimiter='	')
for r in csv_reader:
    sms_lable.append(r[0])
    sms_data.append(preprocessing(r[1]))  # 对每封邮件做预处理
sms.close()

print("邮件标签为：
", sms_lable)
# 将sms_data换行输出，方便查看
print("邮件标签为：")
for i in sms_data:
    print(i, end="
")

实验结果为：

3. 训练集与测试集

4. 词向量

5. 模型