文本特征提取：
把文本数据转化成特征向量的过程，比较常用的文本特征表示法为词袋法
词集：0、1
词袋模型：
不考虑词语出现的顺序怕，每个出现过的词汇单独作为一列特征，这些不重复的特征词汇集合为词表[room desk]10000
每一个文本都可以在很长的词表上统计出一个很多列的特征向量[2, 0, 0, 0, 0, 0, 0, 0]10000
如果每个文本都出现的词汇，一般被标记为停用词不计入特征向量
TF-IDF 概念
- 是一种统计方法，用以评估一个词对于一个语料库中一份文件的重要程度。
- 词的重要性随着在文件中出现的次数正比增加，同时随着它在语料库其他文件中出现的频率反比下降。就是说一个词在某一个文档中出现次数比较多，其他文档没有出现，说明该词对该份文档分类很重要。然而如果其他文档也出现比较多，说明该词区分性不大，就用IDF来降低该词的权重。
TF-IDF “词频-逆文本频率指数”
TF-IDF（Term Frequency - Inverse Document Frequency）
词频：TF = 词在文档中出现的次数 / 文档中总词数
逆文档频率：IDF = log[ (语料库中的文档总数 / (包含词条w的文档数 + 1) ]，分母加1，是为了避免分母为0
TF-IDF = TF（词频） * IDF（逆文档频率）
TF：词频，文本中各个词的出现频率统计，并作为文本特征，这个很好理解。big：tf = 30 / 240
IDF：逆文本频率，其他文本里面都没有出现big，idf = log(101 / 2)。->∞
其他99篇文本里都出现big，log(100 / 101)。->0
概括来讲，IDF反应了一个词在所有文本中出现的频率，如果一个词在很多的文本中出现，那么它的IDF值应该低。而反过来如果一个词在比较少的文本中出现，那么它的IDF值应该高，比如一些专业的名词如”Machine Learning“，这样的词IDF值应该高。一个极端的情况，如果一个词在所有的文本中都出现，那么它的IDF值应该为0。
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=target)
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
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，数据并不符合正态分布的特征，并且垃圾邮件判定过程是一个随机事件，单词在邮件中出现的次数并不是固定的，因此不能选择高斯型分布模型，此处选择多项式分布模型。比如鸢尾花数据，其中判定是否是鸢尾花需要通过4种特征判断，并且这4种特征大小分布范围呈正态分布形状，因此鸢尾花的判断可以采用高斯型分布较为合适。
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 。
混淆矩阵（confusion-matrix）
TP（True Positive）：真实为0，预测也为0
FN（False Negative）：真实为0，预测为1
FP（False Positive）：真实为1，预测为0
TN（True Negative）：真实为1，预测也为1
| TP | FN |
| FP | TN |
准确率：代表分类器对整个样本判断正确的比重。
精确率：指被分类器判断正例中的正样本的比重。
召回率：指被预测为正例的占总的正例的比重。
F1-score：是分类问题的一个衡量指标。一些多分类问题的机器学习竞赛，常常将F1-score作为最终测评的方法。它是精确率和召回率的调和平均数，最大为1，最小为0。
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
TfidfVectorizer：
- 除了考量某词汇在本文本中出现的频率，还关注包含这个词的其他文本的数量
- 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
代码实现：
1 from nltk.corpus import stopwords 2 from nltk.stem import WordNetLemmatizer 3 from sklearn.model_selection import train_test_split 4 from sklearn.feature_extraction.text import TfidfVectorizer 5 from sklearn.naive_bayes import MultinomialNB 6 from sklearn.metrics import confusion_matrix, classification_report 7 import nltk 8 import csv 9 import numpy as np 10 11 12 def get_wordnet_pos(treebank_tag): # 根据词性，生成还原参数pos 13 """ 14 根据词性，生成还原参数 pos 15 """ 16 if treebank_tag.startswith('J'): # 形容词 17 return nltk.corpus.wordnet.ADJ 18 elif treebank_tag.startswith('V'): # 动词 19 return nltk.corpus.wordnet.VERB 20 elif treebank_tag.startswith('N'): # 名词 21 return nltk.corpus.wordnet.NOUN 22 elif treebank_tag.startswith('R'): # 副词 23 return nltk.corpus.wordnet.ADV 24 else: 25 return nltk.corpus.wordnet.NOUN 26 27 28 def preprocessing(text): 29 """ 30 预处理 31 """ 32 # text = text.decode("utf-8") 33 tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)] # 分词 34 stops = stopwords.words('english') # 使用英文的停用词表 35 tokens = [token for token in tokens if token not in stops] # 去除停用词 36 37 tokens = [token.lower() for token in tokens if len(token) >= 3] # 大小写，短词 38 lmtzr = WordNetLemmatizer() 39 tag = nltk.pos_tag(tokens) # 词性 40 tokens = [lmtzr.lemmatize(token, pos=get_wordnet_pos(tag[i][1])) for i, token in enumerate(tokens)] # 词性还原 41 preprocessed_text = ' '.join(tokens) 42 return preprocessed_text 43 44 45 def create_dataset(): 46 """ 47 导入数据 48 """ 49 file_path = r'D://PycharmProjects//naive_bayes//data//SMSSpamCollection' 50 sms = open(file_path, encoding='utf-8') 51 sms_data = [] 52 sms_label = [] 53 csv_reader = csv.reader(sms, delimiter=' ') 54 for line in csv_reader: 55 sms_label.append(line[0]) # 提取出标签 56 sms_data.append(preprocessing(line[1])) # 提取出特征 57 sms.close() 58 # print("数据集标签： ", sms_label) 59 # print("数据集特征： ", sms_data) 60 return sms_data, sms_label 61 62 63 def revert_mail(x_train, X_train, model): 64 """ 65 向量还原成邮件 66 """ 67 s = X_train.toarray()[0] 68 print("=====================================================") 69 print("第一封邮件向量表示为：", s) 70 # 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） 71 a = np.flatnonzero(X_train.toarray()[0]) # 非零元素的位置（index） 72 print("向量的非零元素的值：", s[a]) 73 b = model.vocabulary_ # 词汇表 74 key_list = [] 75 for key, value in b.items(): 76 if value in a: 77 key_list.append(key) # key非0元素对应的单词 78 print("向量非零元素对应的单词：", key_list) 79 print("向量化之前的邮件：", x_train[0]) 80 81 82 def split_dataset(data, label): 83 """ 84 划分数据集 85 """ 86 x_train, x_test, y_train, y_test = train_test_split(data, label, test_size=0.2, random_state=0, stratify=label) 87 tfidf2 = TfidfVectorizer() 88 X_train = tfidf2.fit_transform(x_train) # X_train用fit_transform生成词汇表 89 X_test = tfidf2.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 90 revert_mail(x_train, X_train, tfidf2) 91 92 return X_train, X_test, y_train, y_test 93 94 95 def mnb_model(x_train, x_test, y_train): 96 """ 97 模型构建（根据数据特点选择多项式分布） 98 """ 99 mnb = MultinomialNB() 100 mnb.fit(x_train, y_train) 101 y_mnb = mnb.predict(x_test) 102 return y_mnb 103 104 105 def class_report(y_mnb, y_test): 106 """ 107 模型评价：混淆矩阵 108 """ 109 conf_matrix = confusion_matrix(y_test, y_mnb) 110 print("=====================================================") 111 print("混淆矩阵： ", conf_matrix) 112 cr = classification_report(y_test, y_mnb) 113 print("=====================================================") 114 print("分类报告： ", cr) 115 print("模型准确率：", (conf_matrix[0][0] + conf_matrix[1][1]) / np.sum(conf_matrix)) 116 117 118 if __name__ == '__main__': 119 sms_data, sms_label = create_dataset() 120 X_train, X_test, y_train, y_test = split_dataset(sms_data, sms_label) 121 y_mnb = mnb_model(X_train, X_test, y_train) 122 class_report(y_mnb, y_test)
运行结果：
