機器學習之垃圾郵件分類2

 

1.讀取

# 讀取數據集
def read_dataset():
     file_path =r'C:\Users\Administrator\PycharmProjects\機器學習\data\SMSSpamCollection.csv'
     sms = open(file_path, 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')
     for line in csv_reader:
        sms_label.append(line[0])  # 提取出標簽
        sms_data.append(preprocessing(line[1]))  # 對每封郵件做預處理
     sms.close()
     return sms_data, sms_label

　　

2.數據預處理

 # 預處理
def preprocessing(text):
     tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)]  # 分詞
     stops = stopwords.words('english')  # 使用英文的停用詞表
     tokens = [token for token in tokens if token not in stops]  # 停用詞
     tokens = [token.lower() for token in tokens if len(token) >= 3]  # 大小寫，短詞
     lmtzr = WordNetLemmatizer()
     tag = nltk.pos_tag(tokens)  # 詞性
     tokens = [lmtzr.lemmatize(token, pos=get_wordnet_pos(tag[i][1])) for i, token in enumerate(tokens)]  # 詞性還原
     preprocessed_text = ' '.join(tokens)
     return preprocessed_text

　　

3.數據划分—訓練集和測試集數據划分

from sklearn.model_selection import train_test_split

x_train,x_test, y_train, y_test = train_test_split(data, target, test_size=0.2, random_state=0, stratify=y_train)

4.文本特征提取

sklearn.feature_extraction.text.CountVectorizer

https://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.CountVectorizer.html?highlight=sklearn%20feature_extraction%20text%20tfidfvectorizer

sklearn.feature_extraction.text.TfidfVectorizer

https://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.TfidfVectorizer.html?highlight=sklearn%20feature_extraction%20text%20tfidfvectorizer#sklearn.feature_extraction.text.TfidfVectorizer

from sklearn.feature_extraction.text import TfidfVectorizer

tfidf2 = TfidfVectorizer()

觀察郵件與向量的關系

向量還原為郵件

# 向量還原郵件
def revert_mail(x_train, X_train, model):
    s = X_train.toarray()[0]
    print("第一封郵件向量表示為：", s)
    # 該函數輸入一個矩陣，返回扁平化后矩陣中非零元素的位置（index）
    a = np.flatnonzero(X_train.toarray()[0])  # 非零元素的位置（index）
    print("非零元素的位置:", a)
    print("向量的非零元素的值：", s[a])
    b = model.vocabulary_  # 詞匯表
    key_list = []
    for key, value in b.items():
        if value in a:
            key_list.append(key)  # key非0元素對應的單詞
    print("向量非零元素對應的單詞：", key_list)
    print("向量化之前的郵件：", x_train[0])

 

運行結果如下：

 

 

4.模型選擇

from sklearn.naive_bayes import GaussianNB

from sklearn.naive_bayes import MultinomialNB

說明為什么選擇這個模型？

# 模型選擇（根據數據特點選擇多項式分布）
def mnb_model(x_train, x_test, y_train, y_test):
    mnb = MultinomialNB()
    mnb.fit(x_train, y_train)
    ypre_mnb = mnb.predict(x_test)
    print("總數：", len(y_test))
    print("預測正確數：", (ypre_mnb == y_test).sum())
    return ypre_mnb

運行結果如下：

 

模型需要根據數據集中特征的特點來進行選取，垃圾郵件分類重點在於文檔中單詞出現的頻率以及文檔的重要性，不符合正態分布的特征。應選擇多項式分布模型。比如鳶尾花數據等，其中判定是否為鳶尾花需要通過4種特征判斷，並且這4種特征大小分布范圍呈正態分布形狀，因此鳶尾花的判斷可以采用高斯型分布較為合適。

5.模型評價：混淆矩陣，分類報告

from sklearn.metrics import confusion_matrix

confusion_matrix = confusion_matrix(y_test, y_predict)

說明混淆矩陣的含義

TP（True Positive）：真實為0，預測也為0

FN（False Negative）：真實為0，預測為1

FP（False Positive）：真實為1，預測為0

TN（True Negative）：真實為1，預測也為1

 

from sklearn.metrics import classification_report

說明准確率、精確率、召回率、F值分別代表的意義 

 

准確率：被分對的樣本數除以所有的樣本數，通常來說，正確率越高，分類器越好。（TP+TN）/總

精確率：表示被分為正例的示例中實際為正例的比例。 TP/（TP+FP）

召回率 ：召回率是覆蓋面的度量，度量有多個正例被分為正例。TP/（TP+FN）

F值 ： 精確率 * 召回率 * 2 / ( 精確率 + 召回率) 。F值就是准確率（P）和召回率（R）的加權調和平均。

 

 

 

整體實現代碼如下：

# -*- coding:utf-8 -*-
# 開發人員：愛飛的大白鯊
# 開發時間：2020/5/24 15:43
# 文件名稱：垃圾郵件分類3.py
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import confusion_matrix, classification_report
import numpy as np

import nltk
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer
import csv
def get_wordnet_pos(treebank_tag):# 根據詞性，生成還原參數pos
     if treebank_tag.startswith('J'):  # adj
        return nltk.corpus.wordnet.ADJ
     elif treebank_tag.startswith('V'):  # v
        return nltk.corpus.wordnet.VERB
     elif treebank_tag.startswith('N'):  # n
         return nltk.corpus.wordnet.NOUN
     elif treebank_tag.startswith('R'):  # adv
        return nltk.corpus.wordnet.ADV
     else:
       return nltk.corpus.wordnet.NOUN

 # 預處理
def preprocessing(text):
     tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)]  # 分詞
     stops = stopwords.words('english')  # 使用英文的停用詞表
     tokens = [token for token in tokens if token not in stops]  # 停用詞
     tokens = [token.lower() for token in tokens if len(token) >= 3]  # 大小寫，短詞
     lmtzr = WordNetLemmatizer()
     tag = nltk.pos_tag(tokens)  # 詞性
     tokens = [lmtzr.lemmatize(token, pos=get_wordnet_pos(tag[i][1])) for i, token in enumerate(tokens)]  # 詞性還原
     preprocessed_text = ' '.join(tokens)
     return preprocessed_text

# 讀取數據集
def read_dataset():
     file_path =r'C:\Users\Administrator\PycharmProjects\機器學習\data\SMSSpamCollection.csv'
     sms = open(file_path, 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')
     for line in csv_reader:
        sms_label.append(line[0])  # 提取出標簽
        sms_data.append(preprocessing(line[1]))  # 對每封郵件做預處理
     sms.close()
     return sms_data, sms_label

# 划分數據集
def split_dataset(data, label):
     x_train, x_test, y_train, y_test = train_test_split(data, label, test_size=0.2, random_state=0, stratify=label)
     return x_train, x_test, y_train, y_test

# 把原始文本轉化為tf-idf的特征矩陣
def tfidf_dataset(x_train,x_test):
     tfidf = TfidfVectorizer()
     X_train = tfidf.fit_transform(x_train)  # X_train用fit_transform生成詞匯表
     X_test = tfidf.transform(x_test)  # X_test要與X_train詞匯表相同，因此在X_train進行fit_transform基礎上進行transform操作
     return X_train, X_test, tfidf

# 向量還原郵件
def revert_mail(x_train, X_train, model):
    s = X_train.toarray()[0]
    print("第一封郵件向量表示為：", s)
    # 該函數輸入一個矩陣，返回扁平化后矩陣中非零元素的位置（index）
    a = np.flatnonzero(X_train.toarray()[0])  # 非零元素的位置（index）
    print("非零元素的位置:", a)
    print("向量的非零元素的值：", s[a])
    b = model.vocabulary_  # 詞匯表
    key_list = []
    for key, value in b.items():
        if value in a:
            key_list.append(key)  # key非0元素對應的單詞
    print("向量非零元素對應的單詞：", key_list)
    print("向量化之前的郵件：", x_train[0])

# 模型選擇（根據數據特點選擇多項式分布）
def mnb_model(x_train, x_test, y_train, y_test):
    mnb = MultinomialNB()
    mnb.fit(x_train, y_train)
    ypre_mnb = mnb.predict(x_test)
    print("總數：", len(y_test))
    print("預測正確數：", (ypre_mnb == y_test).sum())
    return ypre_mnb

# 模型評價：混淆矩陣，分類報告
def class_report(ypre_mnb, y_test):
    conf_matrix = confusion_matrix(y_test, ypre_mnb)
    print("混淆矩陣：\n", conf_matrix)
    c = classification_report(y_test, ypre_mnb)
    print("------------------------------------------")
    print("分類報告：\n", c)
    print("模型准確率：", (conf_matrix[0][0] + conf_matrix[1][1]) / np.sum(conf_matrix))

if __name__ == '__main__':
    sms_data, sms_label = read_dataset() # 讀取數據集
    x_train, x_test, y_train, y_test = split_dataset(sms_data, sms_label) # 划分數據集
    X_train, X_test,tfidf = tfidf_dataset(x_train, x_test) # 把原始文本轉化為tf-idf的特征矩陣
    revert_mail(x_train, X_train, tfidf) # 向量還原成郵件
    y_mnb = mnb_model(X_train, X_test, y_train,y_test) # 模型選擇
    class_report(y_mnb, y_test) # 模型評價

　　

運行結果如下：

 

6.比較與總結

如果用CountVectorizer進行文本特征生成，與TfidfVectorizer相比，效果如何？

TfidfVectorizer：①除了考量某詞匯在本文本出現的頻率，還關注包含這個詞匯的其他文本的數量；②能夠削減高頻沒有意義的詞匯出現帶來的影響，挖掘更有意義的特征。

可以看出，在訓練文本的數據越多，選擇TfidfVectorizer這種特征量化方式更有優勢，而且TfidfVectorizer可以削減高頻沒有意義的詞匯，可以將有意義的詞匯保留下來。