博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
朴素贝叶斯应用:垃圾邮件分类
阅读量:5064 次
发布时间:2019-06-12

本文共 3266 字,大约阅读时间需要 10 分钟。

朴素贝叶斯应用:垃圾邮件分类

 

1. 数据准备:收集数据与读取

2. 数据预处理:处理数据

3. 训练集与测试集:将先验数据按一定比例进行拆分。

4. 提取数据特征,将文本解析为词向量 。

5. 训练模型:建立模型,用训练数据训练模型。即根据训练样本集,计算词项出现的概率P(xi|y),后得到各类下词汇出现概率的向量 。 

6. 测试模型:用测试数据集评估模型预测的正确率。

混淆矩阵 ,准确率、精确率、召回率、F值 

7. 预测一封新邮件的类别。

 

#导入nltk数据包import nltkfrom nltk.corpus import stopwordsfrom nltk.stem import WordNetLemmatizer#导入包import csv  import numpy as npfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import confusion_matrixfrom sklearn.metrics import classification_reporttext = '''As per your request 'Melle Melle (Oru Minnaminunginte Nurungu Vettam)' has been set as your callertune for all Callers. Press *9 to copy your friends Callertune'''#进行邮件预处理def preprocessing(text):    text=text.decode("utf-8")    # 分词    tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)]    stops = stopwords.words('english')  #停用词    tokens = [token for token in tokens if token not in stops]  #去掉停用词    tokens = [token.lower() for token in tokens if len(token) >= 3]     #去掉短于3的词        #词性还原                           lmtzr = WordNetLemmatizer()       tokens = [lmtzr.lemmatize(token) for token in tokens]         #将剩下的词重新连接成字符串    preprocessed_text = ' '.join(tokens)    return preprocessed_text #读数据file_path = r'C:\Users\Administrator\Desktop\ems.txt'ems = open(file_path,'r',encoding='utf-8')ems_data=[]  ems_label=[]   #保存csv_reader=csv.reader(ems,delimiter='\t') #将数据分别存入数据列表和目标分类列表                           for line in csv_reader:    ems_label.append(line[0])    ems_data.append(preprocessing(line[1]))ems.close() #将数据分为训练集和测试集,再将其向量化from sklearn.model_selection import train_test_splitx_train,x_test,y_train,y_test=train_test_split(ems_data,ems_target,test_size=0.3,random_state=0,startify=ems_target)print(len(x_train,len(x_test)))                            # 将其向量化from sklearn.feature_extraction.text import TfidfVectorizer   #建立数据的特征向量vectorizer=TfidfVectorizer(min_df=2,ngram_range=(1,2),stop_words='english',strip_accents='unicode',norm='l2')X_train = vectorizer.fit_transform(x_train)X_test = vectorizer.transform(x_test)import numpy as np               #观察向量a = X_train.toarray()                            for i in range(1000):            #输出不为0的列    for j in range(5984):        if a[i,j]!=0:            print(i,j,a[i,j])                            #朴素贝叶斯分类器from sklearn.navie_bayes import MultinomialNBclf = MultinomialNB().fit(X_train,y_train)y_nb_pred = clf.predict(X_test)# 分类结果显示print(y_nb_pred.shape,y_nb_pred) # x-test预测结果print('nb_confusion_matrix:')cm = confusion_matrix(y_test,y_nb_pred) #混淆矩阵print(cm)print('nb_classification_repert:')cr = classification_report(y_test,y_nb_pred) # 主要分类指标的文本报告print(cr) feature_names=vectorizer.get_feature_names() # 出现过的单词列表coefs=clf.coef_ # 先验概率 p(x_ily),6034 feature_log_prebintercept = clf.intercept_ # P(y),class_log_prior : array,shape(n...coefs_with_fns=sorted(zip(coefs[0],feature_names)) #对数概率P(x_i|y)与单词x_i映射n=10top=zip(coefs_with_fns[:n],coefs_with_fns[:-(n+1):-1]) #最大的10个与最小的10个单词for (coef_1,fn_1),(coef_2,fn_2) in top:    print('\t%.4f\t%-15s\t\t%.4f\t%-15s' % (coef_1,fn_1,coef_2,fn_2))                            #预测一封新邮件的类别。new_email=['新邮件']vectorizer(new_email)clf.predict(new_email)

 

结果:

 

 

转载于:https://www.cnblogs.com/Soooooo/p/10075294.html

你可能感兴趣的文章
安装预览版镜像后无法检测到预览版更新的解决方案
查看>>
【bzoj5099】[POI2018]Pionek 双指针法
查看>>
别让安全问题拖慢了 DevOps!
查看>>
JAR打包和运行
查看>>
session如何保存在专门的StateServer服务器中
查看>>
react展示数据
查看>>
测试计划
查看>>
idea设置自定义图片
查看>>
[高级]Android多线程任务优化1:探讨AsyncTask的缺陷
查看>>
选择器
查看>>
rownum 的使用
查看>>
Mysql与Oracle 的对比
查看>>
MVC系列博客之排球计分(三)模型类的实现
查看>>
npm安装
查看>>
阅读笔记02
查看>>
2019年春季学期第二周作业
查看>>
2014北邮计算机考研复试上机题解(上午+下午)
查看>>
mySQL 教程 第7章 存储过程和函数
查看>>
OGG同步Oracle到Kafka(Kafka Connect Handler)
查看>>
算法笔记_056:蓝桥杯练习 未名湖边的烦恼(Java)
查看>>