利用NLTK来进行数据处理和提取特征,再交由sklearn进行机器学习训练分类器,尝试了多个机器学习算法并评价分类性能。
训练用数据集是:https://archive.ics.uci.edu/ml/datasets/sms+spam+collection ,可下载使用。也可以用自己的数据集,但一定要做成一个样本一行,每个样本先是标签spam/ham,空一格然后是邮件内容 的形式。
上代码:
import nltk
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer
import csv
import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import confusion_matrix
from sklearn.metrics import classification_report
from sklearn import tree
from sklearn.linear_model import SGDClassifier
from sklearn.svm import LinearSVC
from sklearn.ensemble import RandomForestClassifier
#预处理
def preprocessing(text):
#text=text.decode("utf-8")
tokens=[word for sent in nl