1.读取
2.数据预处理
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
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？
因为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，数据并不符合正态分布的特征，并且垃圾邮件判定过程是一个随机事件，单词在邮件中出现的次数并不是固定的，因此不能选择高斯型分布模型，此处选择多项式分布模型。
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：
TP（True Positive）：真实为0，预测也为0
FN（False Negative）：真实为0，预测为1
FP（False Positive）：真实为1，预测为0
TN（True Negative）：真实为1，预测也为1
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
准确率：代表分类器对整个样本判断正确的比重。
精确率：指被分类器判断正例中的正样本的比重。
召回率：指被预测为正例的占总的正例的比重。
F值：精确率和召回率的调和平均数，最大为1，最小为0。
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。
TfidfVectorizer：除了考量某词汇在本文本中出现的频率，还关注包含这个词的其他文本的数量，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。
两者结合来看，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。
from nltk.corpus import stopwords from nltk.stem import WordNetLemmatizer 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 from sklearn.metrics import classification_report import nltk import csv import numpy as np #1、 根据词性，生成还原参数pos def get_wordnet_pos(treebank_tag): 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 # 2、编写预处理函数 def preprocessing(text): # 分词 tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)] # 去掉停用词 stops = stopwords.words('english') # 用英语的停用词 tokens = [token for token in tokens if token not in stops] # 把不在stops里的词保留，在stops去掉 # 词性标注 # nltk.pos_tag(tokens) tokens = [token.lower() for token in tokens if len(token) >= 3] # 大小写，短词 # 词性还原 lmtzr = WordNetLemmatizer() tag = nltk.pos_tag(tokens) # 词性 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、读取数据集 def read_dataset(): file_path = r'D:\SMSSpamCollection' sms = open(file_path, encoding='utf-8') sms_data = [] sms_label = [] csv_reader = csv.reader(sms, delimiter='\t') for line in csv_reader: sms_label.append(line[0]) sms_data.append(preprocessing(line[1])) sms.close() return sms_data, sms_label #4、数据划分—训练集和测试集数据划分 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 #5、文本特征提取 #向量化，把原始文本转化为tfidf特征矩阵 def tfidf_dataset(x_train,x_test): tfidf = TfidfVectorizer() X_train = tfidf.fit_transform(x_train) X_test = tfidf.transform(x_test) return X_train, X_test, tfidf # 向量还原成邮件 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]) print("非零元素的位置:", a) print("向量的非零元素的值：", s[a]) # 非零元素对应的单词 b = model.vocabulary_ key_list = [] for key, value in b.items(): if value in a: key_list.append(key) 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]) #6、模型选择 def mnb_model(x_train, x_test, y_train, y_test): mnb = MultinomialNB() #多项式 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 #7、模型评价：混淆矩阵，分类报告 def class_report(ypre_mnb, y_test): cm = confusion_matrix(y_test, ypre_mnb) print("混淆矩阵：\n", cm) c = classification_report(y_test, ypre_mnb) print("分类报告：\n", c) print("模型准确率：", (cm[0][0] + cm[1][1]) / np.sum(cm)) 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
