機器學習之垃圾郵件分類（朴素貝葉斯）

 

1. 讀郵件數據集文件，提取郵件本身與標簽。

列表

numpy數組

 

運行結果如下：

2.郵件預處理

• 郵件分句
• 名子分詞
• 去掉過短的單詞
• 詞性還原
• 連接成字符串

 

•  傳統方法來實現
•  nltk庫的安裝與使用

pip install nltk

import nltk

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

或

https://github.com/nltk/nltk_data下載gh-pages分支，里面的Packages就是我們要的資源。

將Packages文件夾改名為nltk_data。

或

網盤鏈接：https://pan.baidu.com/s/1iJGCrz4fW3uYpuquB5jbew    提取碼：o5ea

放在用戶目錄。

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

安裝完成，通過下述命令可查看nltk版本：

import nltk print nltk.__doc__

 

2.1 nltk庫 分詞

nltk.sent_tokenize(text) #對文本按照句子進行分割

nltk.word_tokenize(sent) #對句子進行分詞

2.2 punkt 停用詞

from nltk.corpus import stopwords

stops=stopwords.words('english')

*如果提示需要下載punkt

nltk.download(‘punkt’)

或 下載punkt.zip

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

復制到對應的失敗的目錄C:\Users\Administrator\AppData\Roaming\nltk_data\tokenizers並解壓。

 

2.3 NLTK 詞性標注

nltk.pos_tag(tokens)

2.4 Lemmatisation（詞性還原）

from nltk.stem import WordNetLemmatizer

lemmatizer = WordNetLemmatizer()

lemmatizer.lemmatize('leaves') #缺省名詞

lemmatizer.lemmatize('best',pos='a')

lemmatizer.lemmatize('made',pos='v')

一般先要分詞、詞性標注，再按詞性做詞性還原。

2.5 編寫預處理函數

def preprocessing(text):

sms_data.append(preprocessing(line[1])) #對每封郵件做預處理

 預處理代碼如下：

# -*- coding:utf-8 -*-
# 開發人員：愛飛的大白鯊
# 開發時間：2020/5/1715:48
# 文件名稱：垃圾郵件分類2.py
import nltk
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer
import csv

def preprocessing(text):
    tokens = [];
    for sent in nltk.sent_tokenize(text):      #文本分割;
        for word in nltk.word_tokenize(sent):  #單詞分類；
            tokens.append(word)


    #3.去除停用詞(如i\me\my等)
    stops=stopwords.words("english")
    tokens = [token for token in tokens if token not in stops]

    # 4.大小轉換，去掉少於三個字母單詞
    tokens=[token.lower() for token in tokens if len(token) >=3]
    # NLTK詞性標注
    nltk.pos_tag(tokens)

    #5.詞性還原
    lemmatizer=WordNetLemmatizer()  #定義還原對象
    tokens=[lemmatizer.lemmatize(token,pos='n')for token in tokens]  #名詞
    tokens=[lemmatizer.lemmatize(token,pos='v')for token in tokens]  #動詞
    tokens=[lemmatizer.lemmatize(token,pos='a')for token in tokens]  #形容詞

    # 返回處理完成后的文本
    return tokens;
file=r'C:\Users\Administrator\PycharmProjects\機器學習\data\SMSSpamCollection.csv'
sms=open(file,'r',encoding='utf-8')  #讀取數據
sms_label=[] #存儲標題
sms_data=[] #存儲數據
csv_reader=csv.reader(sms,delimiter='\t')
#預處理
for line in csv_reader:
    sms_label.append(line[0])
    sms_data.append(preprocessing(line[1]))
sms.close()
#打印結果
print("標題：",sms_label)
print("處理后的內容：")
for i in sms_data:
    print(i)

 

運行結果如下：

3. 訓練集與測試集

4. 詞向量

5. 模型