13-垃圾邮件分类2

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

1. 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。
2. 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

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.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：

from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import confusion_matrix, classification_report
import nltk
import csv
import numpy as np


def get_wordnet_pos(treebank_tag):  # 根据词性，生成还原参数pos
    """
    根据词性，生成还原参数 pos
    """
    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


def preprocessing(text):
    """
    预处理
    """
    # text = text.decode("utf-8")
    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
    lmtzr = WordNetLemmatizer()
    tag = nltk.pos_tag(tokens)  # 词性
    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


def create_dataset():
    """
    导入数据
    """
    file_path = r'D://PycharmProjects//naive_bayes//data//SMSSpamCollection'
    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()
    # print("数据集标签：
", sms_label)
    # print("数据集特征：
", sms_data)
    return sms_data, sms_label


def revert_mail(x_train, X_train, model):
    """
    向量还原成邮件
    """
    s = X_train.toarray()[0]
    print("=====================================================")
    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("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])


def split_dataset(data, label):
    """
    划分数据集
    """
    x_train, x_test, y_train, y_test = train_test_split(data, label, test_size=0.2, random_state=0, stratify=label)
    tfidf2 = TfidfVectorizer()
    X_train = tfidf2.fit_transform(x_train)  # X_train用fit_transform生成词汇表
    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
    revert_mail(x_train, X_train, tfidf2)

    return X_train, X_test, y_train, y_test


def mnb_model(x_train, x_test, y_train):
    """
    模型构建（根据数据特点选择多项式分布）
    """
    mnb = MultinomialNB()
    mnb.fit(x_train, y_train)
    y_mnb = mnb.predict(x_test)
    return y_mnb


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


if __name__ == '__main__':
    sms_data, sms_label = create_dataset()
    X_train, X_test, y_train, y_test = split_dataset(sms_data, sms_label)
    y_mnb = mnb_model(X_train, X_test, y_train)
    class_report(y_mnb, y_test)

运行结果：