1.数据读取
# ①数据读取 sms=open("./data/SMSSpamCollection",'r',encoding='utf-8') #数据读取 sms_data=[] #字符串列表 sms_label=[] csv_reader=csv.reader(sms,delimiter='\t') # ②数据预处理 for line in csv_reader: #6.对每封邮件进行预处理 sms_label.append(line[0]) sms_data.append(preprocessing(line[1])) #对每封优先预处理,生成有效词的字符串 sms.close() #关闭文件
2.数据预处理
def preprocessing(text): # 1-2.对输入的文本进行分句、分词,并进分解后的词存放在token中 tokens=[word for sent in nltk.sent_tokenize(text)for word in nltk.word_tokenize(sent)] #3.去除停用词(如i\me\my) stops=stopwords.words("english") tokens = [token for token in tokens if token not in stops] #4.大小写转换,并去掉短于3的词 tokens=[token.lower() for token in tokens if len(token) >=3] #NLTK词性标注( nltk.pos_tag(tokens) #5.词性还原Lemmatisation lemmatizer=WordNetLemmatizer() #定义还原对象 tokens=[lemmatizer.lemmatize(token,pos='n')for token in tokens] #名词(单复数)还原 tokens=[lemmatizer.lemmatize(token,pos='v')for token in tokens] #动词(时态)还原 tokens=[lemmatizer.lemmatize(token,pos='a')for token in tokens] #形容词(级别)还原 return tokens; #返回处理完成后的文本
【以上两步详细请查看作业12朴素贝叶斯-垃圾邮件分类】
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)
# ③数据划分—训练集和测试集数据划分 # 训练集与测试以8:2的比例划分 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) print("样本总数:",len(sms_data),"训练集样本总数:",len(x_train),"测试集样本总数:",len(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
5.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?
6.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
7.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?