13-垃圾邮件分类2

1.读取

2.数据预处理

前两步请见：https://www.cnblogs.com/cyxxixi/p/12892357.html

3.数据划分—训练集和测试集数据划分

# new_data是要划分的样本特征集--邮件内容，sms_label是划分的样本结果集--垃圾邮件还是普通邮件
# test_size是样本占比,选20%来测试，random_state是随机参数，stratify是平衡比例的

emails=pd.read_csv("new_email.csv") #要import pandas as pd
data=emails.iloc[:,1] #邮箱文本样本
labels=emails.iloc[:,0]  #邮箱标签，垃圾邮件还是普通邮件

from sklearn.model_selection import train_test_split

x_train,x_test,y_train,y_test=train_test_split(data,labels,test_size=0.2,random_state=0,stratify=labels)
print('训练样本个数：',len(x_train),'测试样本个数：',len(x_test),'训练标签个数：',len(y_train),'测试标签个数：',len(y_test))

运行结果：

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

# 4、文本特征提取---词袋模型
# TfidfVectorizer除了考虑词汇在本文中出现的频率，还考虑在别的文本中出现的频率
from sklearn.feature_extraction.text import TfidfVectorizer

tfdvect=TfidfVectorizer()
X_train=tfdvect.fit_transform(x_train) #向量化
X_test=tfdvect.transform(x_test) #向量化

X_train.toarray().shape  #(4457, 6719)  6719是词汇表个数
X_test.toarray().shape
tfdvect.vocabulary_ #词汇表

运行结果：

观察邮件与向量的关系

词汇表出来以后，每个邮件的shape变成了（1，len（tfdvect.vocabulary_）），所以变成了[0,0,0.....0,0]这样的形式，如果邮件中的单词在词汇表里有的话，就不为0。

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？

from sklearn.naive_bayes import MultinomialNB

mnb=MultinomialNB() #构造模型
mnb.fit(X_train,y_train) #训练模型
y_pre=mnb.predict(X_test) #预测
print('预测值',y_pre,'
',"真实值",y_test)
print('不符合预测值的个数:',(y_pre!=y_test).sum(),"符合预测的个数",(y_pre==y_test).sum())

运行结果：

根据分类的特征来选模型

高斯朴素贝叶斯是呈正态分布的，更多的是当样本中数据特征相似时处于一个区间，而其他的特征出现的较少

垃圾邮件分类是单词对与文本的重要性，是单词变量出现次数在其文本中所占比例，以及在其他文本中所占比例，是n次独立重复实验中随机事件出现的次数分别为n1，n2，....，nk的概率符合多项式分布概率。

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

# 5、模型评估
from sklearn.metrics import confusion_matrix #混淆矩阵
from sklearn.metrics import classification_report #回归报告
import numpy as np

con_m=confusion_matrix(y_test,y_pre)
print("混淆矩阵",con_m)
print((con_m[0][0]+con_m[1][1])/np.sum(con_m))
c_r=classification_report(y_test,y_pre)
print("回归报告:
",c_r)

 运行结果：

说明混淆矩阵的含义

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？

CountVectorizer()函数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。

from sklearn.feature_extraction.text import CountVectorizer
cvect=CountVectorizer()
XX_train=cvect.fit_transform(x_train)#向量化
XX_test=cvect.transform(x_test)#向量化
XX_train.toarray()[0]
import numpy as np
aa=np.flatnonzero(XX_train.toarray()[0])#非0元素对应的单词
aa
from sklearn.naive_bayes import MultinomialNB
mnb1=MultinomialNB() #构造模型
mnb1.fit(XX_train,y_train) #训练模型
yy_pre=mnb1.predict(XX_test) #预测
print('CountVectorizer的的预测值',yy_pre,'
',"CountVectorizer的真实值",y_test)
print('CountVectorizer的不符合预测值的个数:',(yy_pre!=y_test).sum(),"CountVectorizer的符合预测的个数",(yy_pre==y_test).sum())
from sklearn.metrics import confusion_matrix #混淆矩阵
from sklearn.metrics import classification_report #回归报告
import numpy as np
con_m1=confusion_matrix(y_test,yy_pre)
print("CountVectorizer的混淆矩阵",con_m1)
print((con_m1[0][0]+con_m1[1][1])/np.sum(con_m1))
c_r1=classification_report(y_test,yy_pre)
print("CountVectorizer的回归报告:
",c_r1)

用CountVectorizer进行文本特征生成，与TfidfVectorizer相比，进行代码编写，结果运行后，发现CountVectorizer的效果似乎更好一点。

CountVectorizer在混淆矩阵中，正确的预测会比TfidfVectorizer更加少一点。

参考：https://blog.csdn.net/weixin_40547993/article/details/90296785?utm_medium=distribute.pc_relevant.none-task-blog-baidujs-6
https://blog.csdn.net/u013063099/article/details/80964865