zoukankan      html  css  js  c++  java
  • 13-垃圾邮件分类2

    1.读取

    sms = open("SMSSpamCollection", 'r', encoding='utf-8')  # 数据读取
    sms_data = []
    sms_label = []
    csv_reader = csv.reader(sms, delimiter='	')
    for line in csv_reader:  # 预处理
        sms_label.append(line[0])
        sms_data.append(preprocessing(line[1]))
    sms.close()

    2.数据预处理

    def get_wordnet_pos(treebank_tag):  # 根据词性,生成还原参数pos
        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
    
    def preprocessing(text):
        tokens = []
        tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)]
    
        # 去除停用词
        stops = stopwords.words("english")
        tokens = [token for token in tokens if token not in stops]
    
        # 大小写
        tokens = [token.lower() for token in tokens if len(token) >= 3]
    
        # 词性标注
        tag = nltk.pos_tag(tokens)
    
        # 词性还原
        lmtzr = WordNetLemmatizer()  # 定义还原对象
        tokens = [lmtzr.lemmatize(token, pos=get_wordnet_pos(tag[i][1])) for i, token in enumerate(tokens)]
        preprocessed_text = ' '.join(tokens)
    
        return preprocessed_text  # 返回处理完成后的文本

    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

    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

    ##向量化
    def tfidf(x_train, x_test):
        tfidf2 = TfidfVectorizer()
        # 将邮件内容转换为向量
        x_train = tfidf2.fit_transform(x_train)
        x_test = tfidf2.transform(x_test)
        # 转成数组后查看测试集维度
        print('训练集维度:
    ', x_train.toarray().shape)
        print('测试集维度:
    ', x_test.toarray().shape)
        # tfidf2.vocabulary_  # 词袋的词语的统计字典,(单词,单词位置)
    
        # 将向量还原成邮件
        a = np.flatnonzero(x_train.toarray()[0])  # 获取x_train中第一行非0的值的位置列表
        print("非零元素的位置", a)
        print("向量的非零元素:", x_train.toarray()[0][a])
        b = tfidf2.vocabulary_  #词汇表
        key_list = []
        for key, value in b.items():
            if value in a:
                key_list.append(key)
    
        print("非零元素对应的单词", key_list)
        print("向量化之前的邮件", x_traincp )
        return x_train, x_test

    结果为:

      

    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?

    def model_choose(x_train, y_train, x_test, y_test):
        mnb = MultinomialNB()
        mnb.fit(x_train, y_train)
        y_mnb = mnb.predict(x_test)
        print("预测准确率为:", sum(y_mnb == y_test) / len(y_test))
        return y_mnb  

    结果为:  

      

      选择模型应该通过模型数据的特点来进行选择。因为用高斯贝叶斯模型进行处理的数据,基本是符合正态分布的,而我们处理的数据是单词出现的频率(单词对文档的重要性),是概率性的数据,并不符合正态分布的规则,所以选择多项式贝叶斯模型。

    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

    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 

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

    结果为:

      

      (1)混淆矩阵:混淆矩阵(Confusion Matrix):

         通过这四个指标,我们可以得出混淆矩阵,这四个指标分别是:

        · 真实值是positive,模型认为是positive的数量(True Positive=TP) (966)

        · 真实值是positive,模型认为是negative的数量(False Negative=FN):这就是统计学上的第二类错误(Type II Error)(49)

        · 真实值是negative,模型认为是positive的数量(False Positive=FP):这就是统计学上的第一类错误(Type I Error)(0)

        · 真实值是negative,模型认为是negative的数量(True Negative=TN)(109)

      (2)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

      (3)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)

        (4)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)

        (5)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。

    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:只考虑每个单词出现的频率;然后构成一个特征矩阵,每一行表示一个训练文本的词频统计结果。

     TfidfVectorizer:除了考量某词汇在本文本出现的频率,还关注包含这个词汇的其它文本的数量。

     相比之下,训练文本的数量越多,TfidfVectorizer这种特征量化方式就更有优势,而且TfidfVectorizer可以削减高频没有意义的词汇,应用于实际更有意义,实际效果也会更好。

  • 相关阅读:
    Struts2的struts.properties文件在哪儿啊?
    StrutsPrepareAndExecuteFilter的作用
    【转】Eclipse配置Struts2问题:ClassNotFoundException: org...dispatcher.ng.filter.StrutsPrepareAndExecuteFilter
    怎么找到MyEclipse->add struts capabilities
    图像金字塔
    浅析人脸检测之Haar分类器方法
    SIFT算法学习
    OpenCV3.1使用SIFT
    OpenCV头文件包含问题
    OpenCV例程实现人脸检测
  • 原文地址:https://www.cnblogs.com/jwwzone/p/12940506.html
Copyright © 2011-2022 走看看