垃圾邮件分类2

1.读取

2.数据预处理

 

3.数据划分—训练集和测试集数据划分

from sklearn.model_selection import train_test_split

x_train,x_test, y_train, y_test = train_test_split(data, target, test_size=0.2, random_state=0, stratify=y_train)

 

4.文本特征提取

sklearn.feature_extraction.text.CountVectorizer

https://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.CountVectorizer.html?highlight=sklearn%20feature_extraction%20text%20tfidfvectorizer

sklearn.feature_extraction.text.TfidfVectorizer

https://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.TfidfVectorizer.html?highlight=sklearn%20feature_extraction%20text%20tfidfvectorizer#sklearn.feature_extraction.text.TfidfVectorizer

from sklearn.feature_extraction.text import TfidfVectorizer

tfidf2 = TfidfVectorizer()

观察邮件与向量的关系

向量还原为邮件

4.模型选择

from sklearn.naive_bayes import GaussianNB

from sklearn.naive_bayes import MultinomialNB

说明为什么选择这个模型？

5.模型评价：混淆矩阵，分类报告

from sklearn.metrics import confusion_matrix

confusion_matrix = confusion_matrix(y_test, y_predict)

说明混淆矩阵的含义

from sklearn.metrics import classification_report

说明准确率、精确率、召回率、F值分别代表的意义

 混淆矩阵 confusion-matrix:

TP（True Positive）：真实为0，预测为0

TN（True Negative）：真实为1，预测为1

FN（False Negative）：真实为0，预测为1

FP（False Positive）：真实为1，预测为0

②准确率 accuracy：代表分类器对整个样本判断正确的比重。

③精确率 precision：指被分类器判断正例中的正样本的比重。

④召回率 recall：指被预测为正例的占总的正例的比重。

6.比较与总结

如果用CountVectorizer进行文本特征生成，与TfidfVectorizer相比，效果如何？

CountVectorizer只考虑每个单词出现的频率；然后构成一个特征矩阵，每一行表示一个训练文本的词频统计结果。TfidfVectorizer除了考量某词汇在本文本出现的频率，还包含这个词汇的其它文本的数量。相比之下，训练文本的数量越多，TfidfVectorizer这种特征量化方式就更有优势，而且TfidfVectorizer可以削减高频没有意义的词汇，应用于实际更有意义，实际效果也会更好。