朴素贝叶斯应用:垃圾邮件分类
Posted mis-67
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了朴素贝叶斯应用:垃圾邮件分类相关的知识,希望对你有一定的参考价值。
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。
#要点#
理解朴素贝叶斯算法
理解机器学习算法建模过程
理解文本常用处理流程
理解模型评估方法
#导入邮件数据
import csv file_path=r‘F:Pycharm11.22SMSSpamCollection‘ sms=open(file_path,‘r‘,encoding=‘utf-8‘) sms_data=[] sms_label=[] csv_reader=csv.reader(sms,delimiter=‘ ‘) for line in csv_reader: sms_label.append(line[0]) sms_data.append(preprocessing(line[1])) sms.close() sms_data
#将数据分类并对模型进行类别预测
from sklearn.model_selection import train_test_split x_train, x_text, y_train, y_test = train_test_split(sms_data, sms_label, test_size=0.3, random_state=0, stratify=sms_label) from sklearn.feature_extraction.text import TfidfVectorizer #向量化 vectorizer=TfidfVectorizer(min_df=2,ngram_range=(1,2),stop_words=‘english‘,strip_accents=‘unicode‘,norm=‘12‘) X_train=vectorizer.fit_transform(x_train) X_text=vectorizer.transform(x_test) X_train a=X_train.toarray() print(a) for i in range(1000): for j in range(5984): if a[i,j]!=0: print(i,j,a[i,j]) from sklearn.navie_bayes import MultinomialNB #导入贝叶斯分类器 clf= MultinomialNB().fit(X_train,y_train) y_nb_pred=clf.predict(X_test) from sklearn.metrics import confusion_matrix #导入混淆矩阵 from sklearn.metrics import classification_report #分类报告 print(y_nb_pred.shape,y_nb_pred)#预测结果 print(‘nb_confusion_matrix:‘) cm=confusion_matrix(y_test,y_nb_pred) print(cm) print(‘nb_classification_report:‘) cr=classification_report(y_test,y_nb_pred)#分类指标文本报告 print(cr) feature_name=vectorizer.get_feature_name() coefs=clf_coef_ intercept=clf.intercept_ 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=10 top=zip(coefs_with_fns[:n],coefs_with_fns[:-(n+1):-1])#最大的10个单词与最小的10个单词 for (coef_1,fn_1),(coef_2,fn_2) in top: print(‘ %.4f %-15s %.4f %-15s‘ % (coef_1,fn_1,coef_2,fn_2))
#运行结果
以上是关于朴素贝叶斯应用: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