每天五分钟机器学习：基于逻辑回归算法完成垃圾邮件分类（实战）

最新推荐文章于 2024-04-26 12:11:34 发布
最新推荐文章于 2024-04-26 12:11:34 发布
阅读量918 收藏 5
点赞数 1
分类专栏： 每天五分钟玩转机器学习算法 文章标签： 机器学习 回归 分类 人工智能 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/huanfeng_AI/article/details/127311596
版权

本文重点

前面我们学习了逻辑回归算法，本文我们基于sklearn完成逻辑回归算法的构造，因为逻辑回归算法可以解决分类问题，所以本文我们使用python代码完成垃圾邮件的分类问题，我们下面来看一下是如何操作的

数据准备

现在有两个文件，一个文件是训练数据（带有标签的），另外一个是测试集数据（没有标签）
在这里插入图片描述

我们第一步的任务是将train训练数据分为两个文件，一个文件只存邮件的文本，另外一个文件存储邮件多对应的标签，那么执行下面的任务就可以完成，这个代码就遍历每一个样本，然后将文本放到email.txt中，然后将标签放到labels.txt中在这里插入图片描述

使用随机森林算法需要我们手动构建特征，这里我们使用tf-idf的方式来看一下，我们如何构建样本的特征。这里我们使用tf-idf工具，只需要把数据放入进去就可以自动构建出tf-idf数据了
在这里插入图片描述

如代码所示，这里我们有两个tf-idf的方法，不同点是一个为了训练集构建，一个为了测试集构建，我们知道训练集和测试集的样本是不一样的，为了让二者统一，我们使用

了解本专栏 订阅专栏 解锁全文
幻风_huanfeng
关注
  • 1
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
实战7：机器学习实战之 随机森林、逻辑回归、SVM算法方法进行垃圾邮件过滤分类 代码+数据
机器学习深度学习业余选手
11-18 1082
机器学习实战之 随机森林、逻辑回归、SVM算法方法进行垃圾邮件过滤分类 代码+数据
基于jieba、TfidfVectorizer、LogisticRegression的垃圾邮件分类
潇洒坤
09-27 1734
2018年9月27日笔记 jieba中文叫做结巴，是一款中文分词工具，官方文档链接：https://github.com/fxsjy/jieba TfidfVectorizer中文叫做___ 词频逆文档频率向量化模型，是用来文章内容向量化的工具，官方文档链接：http://sklearn.apachecn.org/cn/0.19.0/modules/gen...
基于逻辑回归方法完成垃圾邮件过滤任务
CSDN 精品推荐
02-02 4400
文章目录案例实战：基于逻辑回归方法完成垃圾邮件过滤任务1、任务描述2、数据集3、方法概述4、数据可视化及数据预处理4.1 读取数据4.2 数据分析4.3 数据可视化4.4 数据预处理4.5 数据集划分和向量化CountVectorizer统计词频矩阵5、模型训练5.1 加载模型5.2 训练模型5.3 预测结果6、模型评估6.1 测试集准确率6.2 不同分类器的结果分析6.3 预测结果展示 案例实战：基于逻辑回归方法完成垃圾邮件过滤任务 1、任务描述 我们日常学习以及工作中会收到非常多的邮件，除了与学习工作
机器学习：使用逻辑回归对垃圾邮件分类
最新发布
m0_56970979的博客
04-26 168
【代码】机器学习：使用逻辑回归对垃圾邮件分类。
【机器学习项目实战10例】（七）：基于逻辑回归方法完成垃圾邮件过滤任务
CSDN 精品推荐
11-24 2827
下载下来的数据集是csv格式的，每条数据有两列，分别是文本内容和对应的标签（ham or spam）。我们首先利用python的pandas库读取csv文件中的数据，然后先对数据进行简单分析，然后对数据进行预处理，最后是将文本内容向量化，文本向量化后才可以利用算法模型进行文本分类任务。（1）读取数据（2）数据分析（3）数据可视化（4）数据预处理（5）数据向量化。
sklearn进行垃圾邮件分类
梦否
01-10 2008
1. 数据读取 # 1. 数据集的读取 import os dataset_x = [] dataset_y = [] for filename in list(os.listdir("spam")): file_content = None with open("spam/" + filename, mode="r", encoding="utf-8") as f: file_content = f.readlines() content = "" for
python机器学习理论与实战（四）逻辑回归
12-24
逻辑回归一般用来做预测，也可以用来做分类，预测是某个类别^.^！线性回归想比大家都不陌生了，y=kx+b,给定一堆数据点，拟合出k和b的值就行了，下次给定X时，就可以计算出y,这就是回归。而逻辑回归跟这个有点区别，...
机器学习-火力发电厂工业蒸汽量预测（线性回归，神经网络和逻辑回归3种算法实现比较）
06-07
机器学习--火力发电厂工业蒸汽量预测（线性回归，神经网络和逻辑回归3种算法实现比较）
《机器学习实战》- 约会网站数据的KNN分析-手写数字KNN分析-PLA算法决策树 朴素-贝叶斯-逻辑回归+源代码+文档说明
12-23
1、资源内容：《机器学习实战》- 约会网站数据的KNN分析-手写数字KNN分析-PLA算法决策树 朴素-贝叶斯-逻辑回归+源代码+文档说明 2、代码特点：内含运行结果，不会运行可私信，参数化编程、参数可方便更改、代码编程...
python基于机器学习与深度学习算法的中文垃圾邮件检测系统源码(带注释)+数据集及各种训练好的算法模型.zip
01-10
python基于机器学习与深度学习算法的中文垃圾邮件检测系统源码+数据集及各种训练好的算法模型.zip 【项目介绍】 7种算法实现，分别如下： cnn网络、贝叶斯、决策树、KNN、逻辑回归、随机森林、SVM 代码带注释，易...
垃圾邮件：通过逻辑回归的垃圾邮件分类器
02-21
垃圾邮件 通过逻辑回归的垃圾邮件分类器 注意：我下载的电子邮件数据集太大，无法在GitHub上上传（> 25 MB），因此我将其分为两个单独的文件：“ data / train_1.csv”和“ data / train_2.csv”。 如果希望运行代码，则应分别加载每个文件，然后将它们组合，如下所示： emails_1 = pd.read_csv（'data / train_1.csv'） emails_2 = pd.read_csv（'data / train_2.csv'） 电子邮件= pd.concat（[电子邮件_1，电子邮件_2]，ignore_index = True）
python_sklearn机器学习算法系列之LogisticRegression(逻辑回归)----识别垃圾邮件（短信）
爱吃火锅的博客
04-16 5377
       本文主要目的是通过一段及其简单的小程序来快速学习python 中sklearn的LogisticRegression这一函数的基本操作和使用，注意不是用python纯粹从头到尾自己构建LogisticRegression，既然sklearn提供了现成的我们直接拿来用就可以了，当然其原理十分重要，下面最简单介绍：         虽然名称中有回归但其功能多实现的是分类，逻辑回归本质上是...
Spark基于LogisticRegression逻辑回归实现英文垃圾邮件分类（Java版/Scala版）
Packager
12-17 1513
Spark基于LogisticRegression逻辑回归实现英文垃圾邮件分类（Java版/Scala版） 中英文邮件分词有所不同，若需要中文垃圾邮件分类请移步我上一篇博客Spark基于NaiveBayes朴素贝叶斯算法实现中文垃圾邮件分类实战（Java / Scala） 此次测试的数据集大概格式如下： spam You'll not rcv any more msgs from the chat...
机器学习——朴素贝叶斯算法（垃圾邮件分类）
qq_53866837的博客
12-12 3957
垃圾邮件分类
机器学习——垃圾邮件分类
帅帅de三叔
10-19 1479
本期延续上期的支持向量机，为支持向量机找到一个应用场景——垃圾邮件分类。
垃圾邮件分类
weixin_34221073的博客
12-06 355
import nltk from nltk.corpus import stopwords from nltk.stem import WordNetLemmatizer #预处理 def preprocessing(text): tokens=[word for sent in nltk.sent_tokenize(text) for word in nltk....
垃圾邮件分类实战(SVM)
weixin_30448603的博客
07-22 4951
1. 数据集说明 trec06c是一个公开的垃圾邮件语料库，由国际文本检索会议提供，分为英文数据集（trec06p）和中文数据集（trec06c），其中所含的邮件均来源于真实邮件保留了邮件的原有格式和内容,下载地址：https://plg.uwaterloo.ca/~gvcormac/treccorpus06/ 由于数据集分散在各个文件中，为了方便我将正样本和负样本分别放在了ham_da...
python_NLP实战之中文垃圾邮件分类
t_zht的博客
10-31 6809
一、机器学习训练的要素 数据、转换数据的模型、衡量模型好坏的损失函数、调整模型权重以便最小化损失函数的算法 二、机器学习的组成部分 1、按照学习结果分类 预测、聚类、分类、降维 2、按照学习方法分类 监督学习，无监督学习，半监督学习，增强学习 补充：特征提取（BOW   TFIDF  Ngram） 三、实战中文垃圾文件分类 1、数据提取 def get_data(): ...
唐宇迪tensorflow学习笔记之项目实战(垃圾邮件分类)
物理小乾乾
01-03 6081
以下是利用卷积神经网络对某一个句子的处理结构图，我们进行垃圾邮件分类的原理也就是这样。 我们从上图可知，将一句话转化成一个矩阵。我们看到该句话有6个单词和一个标点符号，所以我们可以将该矩阵设置为7行，对于列的话每个单词可以用什么样的数值表示。我们可以将其转化成向量的形式。所以其为7*5的矩阵，其次因为它不是图片，所以不存在通道一说，说白了就是7*5*1。其次在选择filter的时候，至少要以
python金融大数据风控建模实战：基于机器学习pdf
06-28
《Python金融大数据风控建模实战：基于机器学习》是一本介绍如何使用Python进行金融大数据风险控制建模的实践指南。本书主要包括以下内容。 首先，本书详细介绍了使用Python进行金融大数据处理的基础知识。读者将了解如何使用Python进行数据清洗、特征工程以及数据可视化等操作。这些基础知识对于建立可靠的金融风险模型至关重要。 其次，本书介绍了机器学习在金融风控建模中的应用。读者将学习常用的机器学习算法，包括逻辑回归、决策树、随机森林等。同时，本书还介绍了如何使用交叉验证和网格搜索等技术来选择最佳的模型参数。 另外，本书还提供了一些实际案例，介绍了如何使用Python进行金融大数据风控建模的实战经验。这些案例包括信用评级、欺诈检测等实际应用场景，读者可以通过实际案例来学习如何将机器学习算法应用于真实的金融风控问题。 最后，本书还介绍了一些工具和库，如pandas、numpy和scikit-learn等，这些工具和库能够帮助读者更高效地使用Python进行金融大数据风控建模。 总的来说，《Python金融大数据风控建模实战：基于机器学习》是一本非常实用的书籍，对于想要学习如何使用Python进行金融大数据风控建模的读者来说，具有很高的参考价值。通过阅读本书，读者可以了解到如何使用机器学习技术来解决金融风险问题，了解如何应用Python工具和库进行数据处理和模型建立，并通过实际案例来提高实践能力。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

幻风_huanfeng

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值