关键词:
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 nltk from nltk.corpus import stopwords from nltk.stem import WordNetLemmatizer #导入包 import csv import numpy as np from sklearn.model_selection import train_test_split from sklearn.metrics import confusion_matrix from sklearn.metrics import classification_report text = ‘‘‘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:UsersAdministratorDesktopems.txt‘ ems = open(file_path,‘r‘,encoding=‘utf-8‘) ems_data=[] ems_label=[] #保存 csv_reader=csv.reader(ems,delimiter=‘ ‘) #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_split x_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 MultinomialNB clf = 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_preb intercept = 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=10 top=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(‘ %.4f %-15s %.4f %-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:
朴素贝叶斯应用:垃圾邮件分类(代码片段)
三、垃圾邮件分类数据准备:用csv读取邮件数据,分解出邮件类别及邮件内容。对邮件内容进行预处理:去掉长度小于3的词,去掉没有语义的词等尝试使用nltk库:pipinstallnltknltk.download不成功:就使用词频统计的处理方法训练集... 查看详情
朴素贝叶斯应用:垃圾邮件分类(代码片段)
#读取数据集importcsvfile_path=r‘C:UsersAdministratorDesktop江南.txt‘sms=open(file_path,‘r‘,encoding=‘utf-8‘)text=csv.reader(sms,delimiter=‘ ‘)text#预处理defpreprocessing(text):#text=text.decode("utf-8")tok 查看详情
朴素贝叶斯应用:垃圾邮件分类(代码片段)
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... 查看详情
朴素贝叶斯应用:垃圾邮件分类(代码片段)
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... 查看详情
朴素贝叶斯-垃圾邮件分类实现(代码片段)
1.前言《朴素贝叶斯算法(NaiveBayes)》,介绍了朴素贝叶斯原理。本文介绍的是朴素贝叶斯的基础实现,用来垃圾邮件分类。2.朴素贝叶斯基础实现朴素贝叶斯(naiveBayes)法是基于贝叶斯定理与特征条件独立假设的分类的方法。对... 查看详情
12.朴素贝叶斯-垃圾邮件分类(代码片段)
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pipinstallnltkimportnltknltk.download() #sever地... 查看详情
朴素贝叶斯应用:垃圾邮件分类
importnltkfromnltk.corpusimportstopwordsfromnltk.stemimportWordNetLemmatizerdefpreprocessing(text):tokens=[wordforsentinnltk.sent_tokenize(text)forwordinnltk.word_tokenize(sent)]stops=stopwords.words( 查看详情
12.朴素贝叶斯-垃圾邮件分类(代码片段)
1.读邮件数据集文件,提取邮件本身与标签。列表numpy数组2.邮件预处理邮件分句句子分词大小写,标点符号,去掉过短的单词词性还原:复数、时态、比较级连接成字符串2.1传统方法来实现2.2nltk库的安装与使用pipinstallnltkimportnlt... 查看详情
12.朴素贝叶斯-垃圾邮件分类(代码片段)
1.读邮件数据集文件,提取邮件本身与标签。列表numpy数组2.邮件预处理邮件分句句子分词大小写,标点符号,去掉过短的单词词性还原:复数、时态、比较级连接成字符串2.1传统方法来实现2.2nltk库的安装与使用pipinstallnltkimportnlt... 查看详情
2020.05.17朴素贝叶斯-垃圾邮件分类(代码片段)
1.读邮件数据集文件,提取邮件本身与标签。列表numpy数组importcsvfilepath=r"C:Users25186PycharmProjects ask1dataSMSSpamCollection"sms=open(filepath,‘r‘,encoding=‘utf-8‘)#以流形式读取邮件数据集csv_reader=csv.reader(sms,delimiter=‘ 查看详情
朴素贝叶斯应用:垃圾邮件分类
#若没有nltk则先定义一个空函数defpre(text):pre_text=textreturnpre_text#读取数据importcsv#withopen(r‘d:/SMSSpamCollectionjsn.txt‘,encoding="utf-8")asfile_path:#withopen(‘C:UsersAdministratorDesktopSMSSpamCollection 查看详情
朴素贝叶斯应用:垃圾邮件分类
importcsv#读数据file_path=r‘EmailData.txt‘EmailData=open(file_path,‘r‘,encoding=‘utf-8‘)Email_data=[]Email_target=[]csv_reader=csv.reader(EmailData,delimiter=‘ ‘)#将数据分别存入数据列表和目标分类列表forlineincsv_reader:E 查看详情
朴素贝叶斯应用:垃圾邮件分类
...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 查看详情
sklearn中的朴素贝叶斯模型及其应用(代码片段)
1.使用朴素贝叶斯模型对iris数据集进行花分类尝试使用3种不同类型的朴素贝叶斯:高斯分布型多项式型伯努利型2.使用sklearn.model_selection.cross_val_score(),对模型进行验证。 3.垃圾邮件分类数据准备:用csv读取邮件数据,分解... 查看详情
利用朴素贝叶斯(naviebayes)进行垃圾邮件分类
...分类的样例来加深对于理论的理解。这里我们来解释一下朴素这个词的含义:1)各个特征是相互独立的,各个特征出现与其出现的顺序无关;2)各个特征地位同等重要;以上都是比較强的如果以下是朴素贝叶斯分类的流程:这... 查看详情
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... 查看详情
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... 查看详情
12.朴素贝叶斯-垃圾邮件分类(代码片段)
读邮件数据集文件,提取邮件本身与标签。2.邮件预处理2.1传统方法2.1nltk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2.2punkt停用词fromnltk.corpusimportstopwordsstops=stopwords.words(‘english‘)2.3NLTK... 查看详情