1.读取
代码：
#1.读取数据 import csv sms = open("venv/data/SMSSpamCollection","r",encoding="utf-8") #读取数据集 sms_data = [] #提取邮件内容 sms_label = [] #提取邮件标签 csv_reader = csv.reader(sms,delimiter=" ") for line in csv_reader: sms_label.append(line[0]) sms_data.append(preprocessing(line[1])) #对每封邮件做预处理 sms.close()
2.数据预处理
代码：
#2.数据预处理 import nltk from nltk.corpus import stopwords from nltk.stem import WordNetLemmatizer def get_wordnet_pos(treebank_tag): # 根据词性，生成还原参数pos if treebank_tag.startswith('J'): #还原形容词 return nltk.corpus.wordnet.ADJ elif treebank_tag.startswith('V'): #还原动词 return nltk.corpus.wordnet.VERB elif treebank_tag.startswith('N'): #还原名词 return nltk.corpus.wordnet.NOUN elif treebank_tag.startswith('R'): #还原副词 return nltk.corpus.wordnet.ADV else: return nltk.corpus.wordnet.NOUN def preprocessing(text): # 划分多个句子，对每个句子进行划分，并对每个分词放到列表里面 tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)] #去掉停用词（停用器） stops = stopwords.words("english") tokens = [token for token in tokens if token not in stops] tokens = [token.lower() for token in tokens if len(token) >= 3] # 大小写，长度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)] # 词性还原 preprocessed_text = ' '.join(tokens) return preprocessed_text #返回结果
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)
代码：
# 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(sms_data, sms_label, test_size=0.2, random_state=0, stratify=sms_label) len(sms_label) #总数 len(x_train) #训练集数量 len(y_test) #测试集数量
截图：
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
代码：
# 4.文本特征提取 from sklearn.feature_extraction.text import TfidfVectorizer tfidf2 = TfidfVectorizer() X_train = tfidf2.fit_transform(x_train) X_test = tfidf2.transform(x_test) tfidf2.vocabulary_ #(单词、位置) #向量还原为邮件 import numpy as np s = X_train.toarray()[0] #邮件0的向量 a = np.flatnonzero(s) # 非零元素的位置（index） # print("非零元素的位置:", a) print("向量的非0元素：", s[a]) b = tfidf2.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])
截图：
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？
选择原因：由于实验数据的事件属于从多个词仲提取，且数据属于离散，不适合正态分布，而多项式分布模型又适合这种离散的文本数据，因此我选择的是多项式贝叶斯模型。
代码：
from sklearn.naive_bayes import MultinomialNB mnb = MultinomialNB() mnb.fit(X_train,y_train) y_mnb = mnb_model.predict(X_test) print("准确率：",(y_mnb == y_test).sum())
截图：
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
混淆矩阵的含义：
①TP(True Positive):真实为0 ，预测也为0
②FN(False Negative):真实为0 ，预测为1
③FP(False Positive):真实为1 ， 预测为0
④TN(True Negative):真实为1 ，预测也为1
准确率、精确率、召回率、F值分别代表的意义 ：
准确率（正确率）=所有预测正确的样本/总的样本 （TP+TN）/总
精确率= 将正类预测为正类 / 所有预测为正类 TP/（TP+FP）
召回率 = 将正类预测为正类 / 所有正真的正类 TP/（TP+FN）
F值 = 精确率 * 召回率 * 2 / ( 精确率 + 召回率) （F 值即为精确率和召回率的调和平均值）
代码：
# 5.模型评价：混淆矩阵，分类报告 from sklearn.metrics import confusion_matrix from sklearn.metrics import classification_report cm = confusion_matrix(y_test,y_mnb) print("矩阵： ",cm) cr = classification_report(y_test,y_mnb) print("报告： ",cr) print("模型准确率为：", (cm[0][0] + cm[1][1]) / np.sum(cm))
截图：
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：特征数值计算类，文本特征提取方法。它于每一个训练文本，CountVectorizer会将文本中的词语转换为词频矩阵，它通过fit_transform函数计算各个词语在该训练文本出现的次数。而它只考虑词汇在文本中出现的频率。
TfidfVectorizer：它不仅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。
因此两者相比之下，文本条目越多，TfidfVectorizer的效果会越显著。