机器学习：13-垃圾邮件分类2

1.读取

# 读取数据
def read_dataset():
    # 打开csv文件
    sms = open('../data/SMSSpamCollection', 'r', encoding='utf-8')
    sms_label = []  # 标题
    sms_data = []  # 数据
    # 读取csv数据
    csv_reader = csv.reader(sms, delimiter='	')
    for line in csv_reader:
        sms_label.append(line[0])  # 提取出标签
        sms_data.append(preprocessing(line[1]))  # 对每封邮件做预处理
    sms.close()
    return sms_data, sms_label

2.数据预处理

# 数据预处理
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')  # 使用英文的停用词表
    tokens = [token for token in tokens if token not in stops]  # 停用词
    tokens = [token.lower() for token in tokens if len(token) >= 3]  # 大小写、长度<3

    tag = nltk.pos_tag(tokens)  # 词性
    lmtzr = WordNetLemmatizer()
    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

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)

def split_dataset(data, label):
    x_train, x_test, y_train, y_test = train_test_split(data, label, test_size=0.2, random_state=0, stratify=label)
    return x_train, x_test, y_train, y_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

# 把原始文本转化为tf-idf的特征矩阵
def tfidf_dataset(x_train, x_test):
    tfidf = TfidfVectorizer()
    X_train = tfidf.fit_transform(x_train)  # X_train用fit_transform生成词汇表
    X_test = tfidf.transform(x_test)  # X_test要与X_train词汇表相同，因此在X_train进行fit_transform基础上进行transform操作
    return X_train, X_test, tfidf


# 向量还原邮件
def revert_mail(x_train, X_train, model):
    s = X_train.toarray()[0]
    print("第一封邮件向量表示为：", s)
    # 该函数输入一个矩阵，返回扁平化后矩阵中非零元素的位置（index）
    a = np.flatnonzero(X_train.toarray()[0])  # 非零元素的位置（index）
    print("非零元素的位置:", a)
    print("向量的非零元素的值：", s[a])
    b = model.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])

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？

解析：模型需要根据数据集中特征的特点来进行选取，垃圾邮件分类重点在于文档中单词出现的频率以及文档的重要性，不符合正态分布的特征。应选择多项式分布模型。比如鸢尾花数据等，其中判定是否为鸢尾花需要通过4种特征判断，并且这4种特征大小分布范围呈正态分布形状，因此鸢尾花的判断可以采用高斯型分布较为合适。

# 模型选择（根据数据特点选择多项式分布）
def mnb_model(x_train, x_test, y_train, y_test):
    mnb = MultinomialNB()
    mnb.fit(x_train, y_train)
    ypre_mnb = mnb.predict(x_test)
    print("总数：", len(y_test))
    print("预测正确数：", (ypre_mnb == y_test).sum())
    return ypre_mnb

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：

True Positive(真正，TP)：将正类预测为正类数
True Negative(真负，TN)：将负类预测为负类数
False Positive(假正，FP)：将负类预测为正类数误报 (Type I error)
False Negative(假负，FN)：将正类预测为负类数→漏报 (Type II error)

说明准确率、精确率、召回率、F值分别代表的意义 

意义：

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

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）

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）

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。

# 模型评价：混淆矩阵，分类报告
def class_report(ypre_mnb, y_test):
    conf_matrix = confusion_matrix(y_test, ypre_mnb)
    print("**********************************************************")
    print("混淆矩阵：
", conf_matrix)
    c = classification_report(y_test, ypre_mnb)
    print("**********************************************************")
    print("分类报告：
", c)
    print("**********************************************************")
    print("模型准确率：", (conf_matrix[0][0] + conf_matrix[1][1]) / np.sum(conf_matrix))

★整体代码实现如下：

from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import confusion_matrix, classification_report
import numpy as np
import nltk
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer
import csv


# 根据词性，生成还原参数pos
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 nltk.corpus.wordnet.NOUN


# 数据预处理
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')  # 使用英文的停用词表
    tokens = [token for token in tokens if token not in stops]  # 停用词
    tokens = [token.lower() for token in tokens if len(token) >= 3]  # 大小写、长度<3

    tag = nltk.pos_tag(tokens)  # 词性
    lmtzr = WordNetLemmatizer()
    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


# 读取数据
def read_dataset():
    # 打开csv文件
    sms = open('../data/SMSSpamCollection', 'r', encoding='utf-8')
    sms_label = []  # 标题
    sms_data = []  # 数据
    # 读取csv数据
    csv_reader = csv.reader(sms, delimiter='	')
    for line in csv_reader:
        sms_label.append(line[0])  # 提取出标签
        sms_data.append(preprocessing(line[1]))  # 对每封邮件做预处理
    sms.close()
    return sms_data, sms_label


# 划分数据集
def split_dataset(data, label):
    x_train, x_test, y_train, y_test = train_test_split(data, label, test_size=0.2, random_state=0, stratify=label)
    return x_train, x_test, y_train, y_test


# 把原始文本转化为tf-idf的特征矩阵
def tfidf_dataset(x_train, x_test):
    tfidf = TfidfVectorizer()
    X_train = tfidf.fit_transform(x_train)  # X_train用fit_transform生成词汇表
    X_test = tfidf.transform(x_test)  # X_test要与X_train词汇表相同，因此在X_train进行fit_transform基础上进行transform操作
    return X_train, X_test, tfidf


# 向量还原邮件
def revert_mail(x_train, X_train, model):
    s = X_train.toarray()[0]
    print("第一封邮件向量表示为：", s)
    # 该函数输入一个矩阵，返回扁平化后矩阵中非零元素的位置（index）
    a = np.flatnonzero(X_train.toarray()[0])  # 非零元素的位置（index）
    print("非零元素的位置:", a)
    print("向量的非零元素的值：", s[a])
    b = model.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])


# 模型选择（根据数据特点选择多项式分布）
def mnb_model(x_train, x_test, y_train, y_test):
    mnb = MultinomialNB()
    mnb.fit(x_train, y_train)
    ypre_mnb = mnb.predict(x_test)
    print("总数：", len(y_test))
    print("预测正确数：", (ypre_mnb == y_test).sum())
    return ypre_mnb


# 模型评价：混淆矩阵，分类报告
def class_report(ypre_mnb, y_test):
    conf_matrix = confusion_matrix(y_test, ypre_mnb)
    print("**********************************************************")
    print("混淆矩阵：
", conf_matrix)
    c = classification_report(y_test, ypre_mnb)
    print("**********************************************************")
    print("分类报告：
", c)
    print("**********************************************************")
    print("模型准确率：", (conf_matrix[0][0] + conf_matrix[1][1]) / np.sum(conf_matrix))


if __name__ == '__main__':
    sms_data, sms_label = read_dataset()  # 读取数据集
    x_train, x_test, y_train, y_test = split_dataset(sms_data, sms_label)  # 划分数据集
    X_train, X_test, tfidf = tfidf_dataset(x_train, x_test)  # 把原始文本转化为tf-idf的特征矩阵
    revert_mail(x_train, X_train, tfidf)  # 向量还原成邮件
    y_mnb = mnb_model(X_train, X_test, y_train, y_test)  # 模型选择
    class_report(y_mnb, y_test)  # 模型评价

测试结果如下：

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： 除了考滤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。总的来看，用CountVectorizer虽在总样本中表现看似优秀，但其实际对样本个体预测的误差要高于使用TfidfVectorizer。因为TfidfVectorizer能够过滤掉一些常见的却无关紧要本的词语，同时保留影响整个文本的重要字词，更适用于垃圾邮件分类。