1. 数据准备:收集数据与读取
2. 数据预处理:处理数据
3. 训练集与测试集:将先验数据按一定比例进行拆分。
4. 提取数据特征,将文本解析为词向量 。
5. 训练模型:建立模型,用训练数据训练模型。即根据训练样本集,计算词项出现的概率P(xi|y),后得到各类下词汇出现概率的向量 。
6. 测试模型:用测试数据集评估模型预测的正确率。
混淆矩阵
准确率、精确率、召回率、F值
7. 预测一封新邮件的类别。
8. 考虑如何进行中文的文本分类(期末作业之一)。
要点:
理解朴素贝叶斯算法
理解机器学习算法建模过程
理解文本常用处理流程
理解模型评估方法
import nltk
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer
#预处理
def processing(text):
text=text.decode("UTF-8")
tokens=[word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)]
stops=stopwords.words("english")
tokens=[token for token in tokens if token not in stops]
tokens=[token.lower() for token in tokens if len(token)>=3]
lmtzr=WordNetLemmatizer()
tokens=[lmtzr.lemmatize(token) for token in tokens]
preprocessed_text=''.join(tokens)
return preprocessed_text
#读取文件
import csv
file_path=r'SMSSpamCollectionjsn.txt'
sms=open(file_path,'r',encoding='utf-8')
sms_data=[]
sms_label=[]
csv_reader=csv.reader(sms,delimiter='\t')
for line in csv_reader:
sms_label.append(line[0])
sms_data.append(line[1])
sms.close()
#按0.7:0.3比例分为训练集和测试集
import numpy as np
sms_data=np.array(sms_data)
sms_label=np.array(sms_label)
from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test=train_test_split(sms_data,sms_label,test_size=0.3,random_state=0,stratify=sms_label)
# print(len(sms_data),len(x_train),len(x_test))
# print(x_train)
#将其向量化
from sklearn.feature_extraction.text import TfidfVectorizer
vectorizer=TfidfVectorizer(min_df=2,ngram_range=(1,2),stop_words='english',strip_accents='unicode',norm='l2')
X_train=vectorizer.fit_transform(x_train)
X_test=vectorizer.transform(x_test)
#分类结果显示
from sklearn.naive_bayes import MultinomialNB
clf=MultinomialNB().fit(X_train,y_train)
y_nb_pred=clf.predict(X_test)
#分类结果显示
from sklearn.metrics import confusion_matrix
from sklearn.metrics import classification_report
#x_test预测结果
# print(y_nb_pred.shape,y_nb_pred)
#混淆矩阵
print('nb_confusion_matrix:')
cm=confusion_matrix(y_test,y_nb_pred)
print(cm)
#主要分类指标的文本报告
print('nb_classification_report:')
cr=classification_report(y_test,y_nb_pred)
print(cr)
#出现过的单词列表
feature_names=vectorizer.get_feature_names()
#先验概率
coefs=clf.coef_
intercept=clf.intercept_
coefs_with_fns=sorted(zip(coefs[0],feature_names))
n=10
top=zip(coefs_with_fns[:n],coefs_with_fns[:-(n+1):-1])
for (coef_1,fn_1),(coef_2,fn_2) in top:
print('\t%.4f\t%-15s\t\t%.4f\t%-15s' % (coef_1,fn_1,coef_2,fn_2))
#输出不为零
print(len(x_train),len(x_test))
print(X_train.shape,X_test.shape)
a = X_train.toarray()
for i in range(100):
for j in range(6608):
if a[i, j] != 0:
print(i, j, a[i, j])
print(vectorizer.get_feature_names()[4637])