13-垃圾邮件分类2

1.读取

# 1.读取数据集
def read_dataset():
    file_path = r'D:SMSSpamCollection.txt'
    sms = open(file_path, encoding='utf-8')
    sms_data = []
    sms_label = []
    csv_reader = csv.reader(sms, delimiter='	')
    for line in csv_reader:
        sms_label.append(line[0])  # 提取出标签
        sms_data.append(preprocessing(line[1]))  # 提取出特征
    sms.close()
    return sms_data, sms_label

2.数据预处理

# 2.数据预处理
def preprocessing(text):
    tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)]  # 分词
    stops = stopwords.words('english')  # 使用英文的停用词表
    tokens = [token for token in tokens if token not in stops]  # 去除停用词
    tokens = [token.lower() for token in tokens if len(token) >= 3]  # 大小写，短词
    wnl = WordNetLemmatizer()
    tag = nltk.pos_tag(tokens)  # 词性
    tokens = [wnl.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.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、划分数据集
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
# 把文本转化为tf-idf的特征矩阵
def tfidf_dataset(x_train,x_test):
     tfidf2 = TfidfVectorizer()
     X_train = tfidf2.fit_transform(x_train)
     X_test = tfidf2.transform(x_test)
     return X_train, X_test, tfidf2

# 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)
    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])
    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])

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？

答：本次邮件数据属于概率性的数据，并不符合正态分布的特征，是不能选择高斯型分布模型，应该选择多项式分布模型

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

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 

# 模型评价：混淆矩阵，分类报告
def class_report(ypre_mnb, y_test):
    conf_matrix = confusion_matrix(y_test, ypre_mnb)
    print("=====================================================")
    print("混淆矩阵：
", conf_matrix)
    c = classification_report(y_test, ypre_mnb)
    print("=====================================================")
    print("分类报告：
", c)
    print("模型准确率：", (conf_matrix[0][0] + conf_matrix[1][1]) / np.sum(conf_matrix))

混淆矩阵 confusion-matrix：

　　TP（True Positive）：真实为0，预测为0

　　TN（True Negative）：真实为1，预测为1

　　FN（False Negative）：真实为0，预测为1 

　　FP（False Positive）：真实为1，预测为0

分类确率 accuracy：所有样本中被预测正确的样本的比率。

精确率 precision：在被所有预测为正的样本中实际为正样本的概率。

召回率 recall：指在实际为正的样本中被预测为正样本的概率。

F1值：准确率和召回率的加权调和平均。

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：属于常见的特征数值计算类，是一个文本特征提取方法。对于每一个训练文本，它只考虑每种词汇在该训练文本中出现的频率。

 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。

一旦训练文本的数量越多，TfidfVectorizer这种特征量化方式就更有优势，可以削减高频没有意义的词汇，实际效果更好，更适合垃圾邮件分类。