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

#3、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

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

#4文本特征提取：
# 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

# 把向量还原邮件
def re_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？

答：因为不是正态分布数据特征，所以选择MultinomialNB，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。

#4、模型选择
def mnb_model(x_train, x_test, y_train, y_test):
    mnb = MultinomialNB()
    mnb.fit(x_train, y_train)
    y_mnb = mnb.predict(x_test)
    print("总数：", len(y_test))
    print("预测正确数：", (y_mnb == y_test).sum())
    print("预测准确率：",(y_mnb == y_test).sum()/len(y_test))
    return y_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

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

#5、模型评价
def class_report(y_mnb, y_test):
    cm = confusion_matrix(y_test, y_mnb)
    print("混淆矩阵为：\n", cm)
    cr = classification_report(y_test, y_mnb)
    print("分类报告为：\n", cr)
    print("模型准确率为：", (cm[0][0] + cm[1][1]) / np.sum(cm))

运行结果如图：

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：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。属于Tfidf特征。

相比之下，训练文本的数量越少，CountVectorizer这种特征量化方式更有优势

作业12 13-垃圾邮件分类2