机器学习——12.朴素贝叶斯-垃圾邮件分类

1. 读邮件数据集文件，提取邮件本身与标签。

列表

numpy数组

2.邮件预处理

1. 邮件分句
2. 句子分词
3. 大小写，标点符号，去掉过短的单词
4. 词性还原：复数、时态、比较级
5. 连接成字符串

2.1 传统方法来实现

 

 

                            图1 来自老师讲解

2.2 nltk库的安装与使用

pip install nltk

import nltk

nltk.download()     # sever地址改成 http://www.nltk.org/nltk_data/

或

https://github.com/nltk/nltk_data下载gh-pages分支，里面的Packages就是我们要的资源。

将Packages文件夹改名为nltk_data。

或

网盘链接：https://pan.baidu.com/s/1iJGCrz4fW3uYpuquB5jbew    提取码：o5ea

放在用户目录。

----------------------------------

安装完成，通过下述命令可查看nltk版本：

import nltk

print nltk.__doc__

 

 

                                                       图2  版本号和一个实例 

2.1 nltk库 分词

nltk.sent_tokenize(text) #对文本按照句子进行分割

nltk.word_tokenize(sent) #对句子进行分词

2.2 punkt 停用词

from nltk.corpus import stopwords

stops=stopwords.words('english')

*如果提示需要下载punkt

nltk.download(‘punkt’)

或 下载punkt.zip

https://pan.baidu.com/s/1OwLB0O8fBWkdLx8VJ-9uNQ  密码：mema

复制到对应的失败的目录C:\Users\Administrator\AppData\Roaming\nltk_data\tokenizers并解压。

 

2.3 NLTK 词性标注

nltk.pos_tag(tokens)

2.4 Lemmatisation（词性还原）

from nltk.stem import WordNetLemmatizer

lemmatizer = WordNetLemmatizer()

lemmatizer.lemmatize('leaves') #缺省名词

lemmatizer.lemmatize('best',pos='a')

lemmatizer.lemmatize('made',pos='v')

一般先要分词、词性标注，再按词性做词性还原。

2.5 编写预处理函数

def preprocessing(text):

sms_data.append(preprocessing(line[1])) #对每封邮件做预处理

 

源代码：

 

import csv
import nltk
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer

def preprocessing(text): #预处理
    tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)]#分词
    print("去掉停用词前数据长度：", len(tokens))
    stops = stopwords.words("english")#停用词
    tokens = [token for token in tokens if token not in stops]#
    print("去掉停用词后数据长度：",len(tokens))
    tokens = [token.lower() for token in tokens if len(token) >= 3]#将大写字母变为小写
    lemmatizer = WordNetLemmatizer()  #构建词性转换器
    tokens = [lemmatizer.lemmatize(token, pos='n') for token in tokens]#词性还原:复数，名词
    tokens = [lemmatizer.lemmatize(token, pos='a') for token in tokens]#比较级，形容词
    tokens = [lemmatizer.lemmatize(token, pos='v') for token in tokens]#时态，动词
    print("词性还原后的数据：",tokens)
    return tokens #返回处理结果

file_path=r'C:\Users\AAAA\PycharmProjects\untitled\data\SMSSpamCollection' #读取文件
sms=open(file_path,'r',encoding='utf-8')   #打开文件
sms_data=[]
sms_label=[]
csv_reader=csv.reader(sms,delimiter='\t')  #读取文件
for line in csv_reader:     #对每封邮件做预处理
    sms_label.append(line[0])      #第一个字段存为一个类别，标签
    sms_data.append(preprocessing(line[1])) #第二个字段存为一个类别，邮件内容
sms.close()
print("邮件类别:",sms_label)
print("处理后的邮件内容:",sms_data)

 

                                                                                     图3  编码页面

 

                                                                                                              图4 输出结果界面

3. 训练集与测试集

4. 词向量

5. 模型