1.读取
# 读取数据 def read_dataset(): sms = open("SMSSpamCollection", 'r', encoding='utf-8') sms_label = [] # 标题 sms_data = [] # 数据 # 读取csv数据 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])) # 对每封邮件做预处理 sms.close()
2.数据预处理
def get_wordnet_pos(treebank_tag): if treebank_tag.startswith('J'): # 形容词 return nltk.corpus.wordnet.ADJ elif treebank_tag.startswith('V'): # 动词 return nltk.corpus.wordnet.VERB elif treebank_tag.startswith('N'): # 名词 return nltk.corpus.wordnet.NOUN elif treebank_tag.startswith('R'): # 副词 return nltk.corpus.wordnet.ADV else: return nltk.corpus.wordnet.NOUN # 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] # 停用词 tokens = [token.lower() for token in tokens if len(token) >= 3] # 大小写、长度<3 tag = nltk.pos_tag(tokens) # 词性 lmtzr = WordNetLemmatizer() 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.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)
# 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)
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
# 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 # 向量还原邮件 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]) # 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])
结果：
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？
# 模型选择（根据数据特点选择多项式分布） def mnb_model(x_train, x_test, y_train, y_test): mnb = MultinomialNB() 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
结果：
根据邮件分类的情况上看，数据呈现的是多元离散值，不是连续值，是单词出现的频率，概率性的数据，且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
# 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("混淆矩阵： ", conf_matrix) c = classification_report(y_test, ypre_mnb) print("分类报告： ", c) print("模型准确率：", (conf_matrix[0][0] + conf_matrix[1][1]) / np.sum(conf_matrix))
结果：
（1）混淆矩阵的含义：
真阳性（True Positive，TP）：样本的真实类别是正例，并且模型预测的结果也是正例（966）
真阴性（True Negative，TN）：样本的真实类别是负例，并且模型将其预测成为负例（109）
假阳性（False Positive，FP）：样本的真实类别是负例，但是模型将其预测成为正例（0）
假阴性（False Negative，FN）：样本的真实类别是正例，但是模型将其预测成为负例（49）
（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。