机器学习实战1：朴素贝叶斯模型:文本分类+垃圾邮件分类

最新推荐文章于 2022-11-28 10:40:16 发布
最新推荐文章于 2022-11-28 10:40:16 发布
阅读量1.2k 收藏
点赞数
分类专栏： 机器学习与数据挖掘
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/u012556077/article/details/51779835
版权
http://www.cnblogs.com/rongyux/p/5602037.html
南山牧笛
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
机器学习实战之朴素贝叶斯（二）文本分类
12-20
朴素贝叶斯（二）文本分类朴素贝叶斯的一般流程用python进行文本分类准备数据：从文本中构建词向量训练算法：从词向量计算概率测试算法：朴素贝叶斯分类函数文档词袋模型 朴素贝叶斯的一般流程 （1）收集数据：任何...
朴素贝叶斯（垃圾邮件分类）
weixin_54298275的博客
12-01 2656
贝叶斯垃圾分类
基于朴素贝叶斯的垃圾分类算法（Python实现）
热门推荐
qq_39559641的博客
04-27 1万+
一、模型方法 本工程采用的模型方法为朴素贝叶斯分类算法，它的核心算法思想基于概率论。我们称之为“朴素”，是因为整个形式化过程只做最原始、最简单的假设。朴素贝叶斯是贝叶斯决策理论的一部分，所以讲述朴素贝叶斯之前有必要快速了解一下贝叶斯决策理论。假设现在我们有一个数据集，它由两类数据组成，数据分布如下图所示。 我们现在用p1(x,y)表示数据点(x,y)属于类别1...
机器学习-基于朴素贝叶斯的垃圾邮件分类
m0_52053228的博客
11-27 2357
概率论是许多机器学习算法的基础，此篇博客会给出一些使用概率论进行分类的方法。首先从一个最简单的概率分类器开始，然后给出一些假设来学习朴素贝叶斯分类器。我们称之为“朴素”，是因为整个形式化过程只做最原始、最简单的假设。我们还将构建另一个分类器，观察其在真实的垃圾邮件数据集中的过滤效果。
基于朴素贝叶斯/逻辑回归的垃圾邮件文本分类
weixin_44458771的博客
08-08 7519
一、邮件数据集 本文进行文本分类任务的中文邮件数据来源于由国际文本检索会议提供一个公开的垃圾邮件语料库，点我下载。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，并且还保留了邮件的原有格式（包括发送方、接收方、时间日期等等）和邮件中文内容。第二个链接即是中文文本的邮件数据集，点击链接即可下载。下载的压缩文件夹中，一个文件代表一封邮件，通过标签“spam”、“ham”进行区别是否垃圾邮件。spam是垃圾邮件，有4万多条。ham是正常邮件，有2万多条。 ..
Spark机器学习之垃圾邮件分类
zhangdy12307的博客
06-04 1229
Spark机器学习之垃圾邮件分类 步骤概述 通过HashingTF构建文本的特征向量，然后使用随机梯度下降算法实现逻辑回归，进而对邮件进行分类 垃圾邮件分类代码 导入相关的包 import org.apache.spark.mllib.regression.LabeledPoint import org.apache.spark.mllib.feature.HashingTF import org...
基于传统机器学习(朴素贝叶斯 逻辑斯蒂回归 lightGBM)实现中文文本分类python源码+文本数据集+项目说明.zip
最新发布
05-15
基于传统机器学习(朴素贝叶斯 逻辑斯蒂回归 lightGBM)实现中文文本分类python源码+文本数据集+项目说明.zip 【项目介绍】 中文文本分类 传统机器学习 目录及文件说明 bert_pretrain存放bert预训练的参数及模型 ...
贪心 NLP训练营使用朴素贝叶斯 进行垃圾邮件分类案例 代码和数据
02-26
贪心学院自然语言处理高级魔鬼训练营全面剖析自然语言处理领域前沿技术，包括预训练、对话系统、文本生成、知识图谱...理解朴素贝叶斯案例《朴素贝叶斯的应用：垃圾邮件分类》的数据和参考代码，使用了朴素贝叶斯模型。
机器学习中文文本分类实战代码+数据
02-04
3.选择分类算法（朴素贝叶斯（必做）、SVM/其他等），训练文本分类器，理解所选的分类算法的建模原理、实现过程和相关参数的含义； 4.对测试集的文本进行分类 5.对测试集的分类结果利用正确率和召回率进行分析评价...
基于朴素贝叶斯的垃圾邮件分类
weixin_33734785的博客
05-28 5967
使用sklearn包下的朴素贝叶斯算法，它包含三种模型——高斯模型、多项式模型和伯努利模型，详情可以参考朴素贝叶斯 — scikit-learn 0.18.1 documentation。 本文将使用贝叶斯多项式模型类来解决英文邮件分类的问题。 导入各种包 import nltk import numpy as np import pandas as pd import matplotlib.py...
python实现基于朴素贝叶斯的垃圾分类算法
09-19
主要为大家详细介绍了python实现基于朴素贝叶斯的垃圾分类算法，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
17 机器学习案例——基于朴素贝叶斯算法的文本分类（垃圾邮件过滤）的数据集
04-11
机器学习案例——基于朴素贝叶斯算法的文本分类（垃圾邮件过滤）的数据集，见本人的这篇博客！！！这个资源是本人搜集的支撑数据包！
基于朴素贝叶斯方法的垃圾邮件分类器
03-01
包含25封正常邮件、25封垃圾邮件以及分类器源代码，适合ML初学者使用
基于朴素贝叶斯的垃圾邮件分类（Matlab）
11-22
采用朴素贝叶斯的学习方法对垃圾邮件进行判别分类。程序可在Matlab中运行。注意：程序代码在压缩包中的Homework 1 solution.pdf 中！
基于朴素贝叶斯到中文垃圾邮件分类器
Searching_Bird的专栏
07-07 8747
简介：    朴素 贝叶斯垃圾邮件分类器是在对邮件关键字进行统计分析到基础上利用贝叶斯公式进行分类到方法。相比其他模型，朴素贝叶斯模型到搭建比较简单，并且具有良好到分类效果。    朴素真贝叶斯分类器通过对邮件关键字进行统计，然后使用贝叶斯推理来计算一封电子邮件是或不是垃圾邮件的概率。 贝叶斯定理：      表示事件B已经发生的前提下，事件A发生的概率，叫做事件B发生下事件A的条件概率。
机器学习——基于朴素贝叶斯分类算法实现垃圾邮件分类
m0_59706452的博客
11-27 2575
朴素贝叶斯实现垃圾邮件分类
机器学习--使用朴素贝叶斯进行垃圾邮件分类
jimei2011的博客
11-28 5092
朴素贝叶斯
机器学习之朴素贝叶斯模型（文本分类，垃圾邮件识别）
我是张先生
02-20 3516
code 参考代码
python机器学习实验:朴素贝叶斯分类器
05-05
好的，那我们来实现一个朴素贝叶斯分类器吧。 首先，我们需要导入需要的库，包括numpy、pandas、sklearn中的train_test_split和MultinomialNB。代码如下： ```python import numpy as np import pandas as pd from sklearn.model_selection import train_test_split from sklearn.naive_bayes import MultinomialNB ``` 接下来，我们要读取数据集。这里我们使用UCI机器学习库中的Spambase数据集，该数据集包含了4601封电子邮件，其中1813封是垃圾邮件，2788封是正常邮件。数据集中有57个特征，包括每封邮件中出现的单词的频率、字符的频率等。我们可以使用pandas库读取该数据集，代码如下： ```python data = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/spambase/spambase.data', header=None) ``` 然后，我们将数据集分成训练集和测试集。训练集用来训练模型，测试集用来评估模型的性能。我们可以使用sklearn中的train_test_split函数来实现数据集的分割，代码如下： ```python X_train, X_test, y_train, y_test = train_test_split(data.iloc[:,:-1], data.iloc[:,-1], test_size=0.3, random_state=42) ``` 这里我们将数据集按照7:3的比例分成训练集和测试集。 接下来，我们可以使用MultinomialNB来实现朴素贝叶斯分类器。MultinomialNB适用于多项式分布的数据，这里我们将每个特征的频率作为输入。代码如下： ```python clf = MultinomialNB() clf.fit(X_train, y_train) ``` 在这里，我们使用fit函数对训练集进行拟合，从而得到一个朴素贝叶斯分类器。 最后，我们可以使用测试集来评估模型的性能。代码如下： ```python y_pred = clf.predict(X_test) accuracy = np.mean(y_pred == y_test) print('Accuracy:', accuracy) ``` 这里我们使用predict函数对测试集进行预测，然后计算模型的准确率。 完整代码如下： ```python import numpy as np import pandas as pd from sklearn.model_selection import train_test_split from sklearn.naive_bayes import MultinomialNB # 读取数据集 data = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/spambase/spambase.data', header=None) # 分割数据集为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(data.iloc[:,:-1], data.iloc[:,-1], test_size=0.3, random_state=42) # 训练朴素贝叶斯分类器 clf = MultinomialNB() clf.fit(X_train, y_train) # 评估模型性能 y_pred = clf.predict(X_test) accuracy = np.mean(y_pred == y_test) print('Accuracy:', accuracy) ``` 运行该代码，可以得到以下输出： ``` Accuracy: 0.8205099279858907 ``` 这意味着我们的朴素贝叶斯分类器在该测试集上的准确率约为82%。

“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
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