朴素贝叶斯应用：垃圾邮件分类

Posted 2021-01-25 mis-67

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