机器学习：12.朴素贝叶斯-垃圾邮件分类

1. 读邮件数据集文件，提取邮件本身与标签。

测试数据：

链接：https://pan.baidu.com/s/1BiftJ1BBggybitfqeZbSDQ
提取码：en47

列表

numpy数组

代码如下：

import csv

sms = open('../data/SMSSpamCollection', 'r', encoding='utf-8')
data = csv.reader(sms, delimiter='	')
for i in data:
    print(i)
sms.close()

测试结果：

2.邮件预处理

• 邮件分句
• 名子分词
• 去掉过短的单词
• 词性还原
• 连接成字符串

•  传统方法来实现
•  nltk库的安装与使用

传统方法实现代码如下：（写法麻烦还是用nltk实现吧）

安装nltk库：在Pycharm中安装结果如下：

 

 测试nltk库，输入命令运行，查看版本：

import nltk

print(nltk.__doc__)

下载相关数据包

下载nltk_data数据包：

链接：https://pan.baidu.com/s/1DG9X7z1aNlGH-yH3SPyugg
提取码：rp15

 下载好后的操作：

 ☆注意：如果不知道把数据包放到哪的可以运行我的最后程序代码

运行结果如下：

 然后进入nltk_data文件夹下一级目录tokenizers文件夹下：

 解压punkt.zip此文件：

 解压后如图所示：

2.1 nltk库 分词

nltk.sent_tokenize(text) #对文本按照句子进行分割

nltk.word_tokenize(sent) #对句子进行分词

2.2 punkt 停用词

from nltk.corpus import stopwords

stops=stopwords.words('english')

2.3 NLTK 词性标注

nltk.pos_tag(tokens)

2.4 Lemmatisation（词性还原）

from nltk.stem import WordNetLemmatizer

lemmatizer = WordNetLemmatizer()

lemmatizer.lemmatize('leaves') #缺省名词

lemmatizer.lemmatize('best',pos='a')

lemmatizer.lemmatize('made',pos='v')

一般先要分词、词性标注，再按词性做词性还原。

2.5 编写预处理函数

def preprocessing(text):

sms_data.append(preprocessing(line[1])) #对每封邮件做预处理

 3. 训练集与测试集

4. 词向量

5. 模型

实现代码如下：

import nltk
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer
import csv
import string


# 邮件预处理
def preprocessing(text):
    text = text.lower()  # 将大学字符转成小写字符
    seq = string.punctuation  # string.punctuation 是python内置的标点符号的合集
    # 去除符号
    for ch in seq:
        text = text.replace(ch, '')  # 用空格代替去掉的符号
    tokens = []  # 定义一个空列表
    # 分词
    for set in nltk.sent_tokenize(text):  # 分句
        for word in nltk.word_tokenize(set):  # 分词
            tokens.append(word)  # 将分词结果追加进列表
    # 去除停用词
    stops = stopwords.words("english")  # 获取停用词
    tokens = [token for token in tokens if token not in stops]
    # print('去除停用词后列表长度', len(tokens))
    # 查看词性词性
    nltk.pos_tag(tokens)
    # 还原词性
    lemmatizer = WordNetLemmatizer()  # 定义还原对象
    tokens = [lemmatizer.lemmatize(token, pos='n') for token in tokens]  # 还原成名词
    tokens = [lemmatizer.lemmatize(token, pos='v') for token in tokens]  # 还原成动词
    tokens = [lemmatizer.lemmatize(token, pos='a') for token in tokens]  # 还原成形容词
    return tokens


if __name__ == '__main__':
    sms = open('../data/SMSSpamCollection', 'r', encoding='utf-8')
    sms_type = []  # 邮件标题
    sms_con = []  # 邮件内容
    # 读csv文件
    sms_csv = csv.reader(sms, delimiter='	')  # tab作为分隔符

    for line in sms_csv:
        sms_type.append(line[0])
        sms_con.append(preprocessing(line[1]))
    sms.close()
    print("邮件标题：", sms_type, "

")
    print("邮件内容：")
    for i in sms_con:
        print(i)

测试结果如下：