12.朴素贝叶斯-垃圾邮件分类

Posted szzz

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了12.朴素贝叶斯-垃圾邮件分类相关的知识,希望对你有一定的参考价值。

1. 读邮件数据集文件,提取邮件本身与标签。

列表

numpy数组

2.邮件预处理

  1. 邮件分句
  2. 句子分词
  3. 大小写,标点符号,去掉过短的单词
  4. 词性还原:复数、时态、比较级
  5. 连接成字符串

2.1 传统方法来实现

2.2 nltk库的安装与使用

pip install nltk

import nltk

nltk.download()     # sever地址改成 http://www.nltk.org/nltk_data/

https://github.com/nltk/nltk_data下载gh-pages分支,里面的Packages就是我们要的资源。

将Packages文件夹改名为nltk_data。

网盘链接:https://pan.baidu.com/s/1iJGCrz4fW3uYpuquB5jbew    提取码:o5ea

放在用户目录。

----------------------------------

安装完成,通过下述命令可查看nltk版本:

import nltk

print nltk.__doc__

 

 

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‘)

*如果提示需要下载punkt

nltk.download(‘punkt’)

或 下载punkt.zip

https://pan.baidu.com/s/1OwLB0O8fBWkdLx8VJ-9uNQ  密码:mema

复制到对应的失败的目录C:UsersAdministratorAppDataRoaming ltk_data okenizers并解压。

 

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

 

import pandas as pd
import nltk
from nltk.book import *
from nltk.corpus import stopwords #停用词处理
import re #标点符号处理
from nltk.stem import WordNetLemmatizer #词性处理
# nltk.download()
# nltk.data.find(".") #查找安装nltk数据的地方
# # 分词第一种
# tokens=[] #用来存放单词
# for i in range(len(sms_data)): #每一条邮件内容数据
#     for sents in nltk.sent_tokenize(sms_data[i]): #每一条数据进行句子分句
#         for words in nltk.word_tokenize(sents): #每条数据进行句子分单词
#             tokens.append(words)
# tokens

def preprocess(text):
    # 分词第二种 写成一行
    tokens=[word for sents in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sents)]

    #去除停用词
    stops=stopwords.words(english) #英文单词中的停用词
    tokens=[token for token in tokens if token not in stops] #不在停用词里面的话,就保留下来

    # 去掉短语3的单词并且用lower()方法实现大写转小写
    tokens=[token.lower() for token in tokens if len(token)>=3]

    # 去除标点
    tokens=[re.sub([!,;:?"\.../]+,‘‘,token) for token in tokens ]
    tokens=[token for token in tokens if token!=‘‘]

    # 词性还原
    tags=nltk.pos_tag(tokens) 
    lemmatizer=WordNetLemmatizer()
    tokens=  [lemmatizer.lemmatize(token,pos=v) for token in tokens]#动词,时态
    tokens = [lemmatizer.lemmatize(token, pos=a) for token in tokens]  # 形容词,比较级
    tokens = [lemmatizer.lemmatize(token, pos=n) for token in tokens]  # 名词,单复数
    return tokens

if __name__=="__main__":
    # 读取文件,根据	区分,把数据根据标签和内容分开
    emails = pd.read_csv("./text.txt", encoding=utf-8, sep="	",header=None)
    sms_label=[]# sms_label #存放标签,是普通邮件还是垃圾邮件
    new_data=[]# sms_data #存放数据即邮件内容,文本

    for i in range(emails.shape[0]): 
        sms_label.append(emails.iloc[i, 0])
        new_data.append(preprocess(emails.iloc[i, 1]))
    print("邮件数据的标签为:
", sms_label)
    print("数据预处理后邮件数据的数据为:
", new_data)
    new_email = pd.DataFrame({"邮件种类(普通/垃圾)": sms_label, "文本特征": new_data})

print(new_email)

3. 训练集与测试集

4. 词向量

5. 模型

 

以上是关于12.朴素贝叶斯-垃圾邮件分类的主要内容,如果未能解决你的问题,请参考以下文章

12.朴素贝叶斯-垃圾邮件分类

朴素贝叶斯-垃圾邮件分类实现

12.朴素贝叶斯-垃圾邮件分类

12.朴素贝叶斯-垃圾邮件分类

12.朴素贝叶斯-垃圾邮件分类

12.朴素贝叶斯-垃圾邮件分类