12.3

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）。 

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])

 

 

转载于:https://www.cnblogs.com/zhanglk/p/10057548.html