垃圾邮件分类（trec06c数据集）特征分词、特征向量化、模型训练

目录

得到全量数据集

得到采样数据集

模型训练

全部代码：

结果

已完结

---

接上： 垃圾邮件分类（trec06c数据集）数据处理-特征提取 https://blog.csdn.net/qq_39321513/article/details/111997173

我是将分词前的文本数据存文件了，这样就得取数据，分词，向量化，输入模型；当然也可以将分词之后的存成文件，一封邮件样本存成一行，然后取数据，向量化，输入模型进行训练。

接下来就对 mailcorous.txt 文件进行操作就可以啦

得到全量数据集

（这个一般不用，内存容易爆满，但我也贴上来了）

def get_train_data(train_path):
    """获取数据集----全量数据集"""
    train_file = open(train_path, encoding='utf8')
    # 加载训练数据
    corpus = train_file.readlines() # 列表中的每个元素为一行文本 也就是一封邮件（包含4个特征）
    split_corpus = []
    #分词
    for c in corpus:
        split_corpus.append(" ".join(jieba.lcut(c)))
    train_file.close()
    cv = CountVectorizer(token_pattern=r'(?u)\b\w\w+\b')# 保留两个及以上的特征词

    X = cv.fit_transform(split_corpus).toarray() # 特征向量
    # 垃圾邮件是1 正常邮件是0
    # 垃圾邮件42854封  正常邮件21766封
    y = [0] * 21766 + [1] * 42854 #构造分类标签
    return X, y

得到采样数据集

def Sample(train_path, k=3000, random_state=10):
    # 从原始数据集中各抽取3000个样本  # 垃圾邮件42854封  正常邮件21766封
    # 设置随机种子
    random.seed(random_state)
    # 正常邮件的
    ham_range = range(0, 21766)
    ham_rdnum = random.sample(ham_range, k)
    # 垃圾邮件的
    spam_range = range(21766, 42854)
    spam_rdnum = random.sample(spam_range, k)

    train_file = open(train_path, encoding='utf8')
    # 加载训练数据
    corpus = train_file.readlines()  # 列表中的每个元素为一行文本 也就是一封邮件（包含4个特征）
    split_corpus = []
    # 分词
    for i, c in enumerate(corpus):
        if i in ham_rdnum:
            split_corpus.append(" ".join(jieba.lcut(c))) # 前k个--正常邮件
    for i, c in enumerate(corpus):
        if i in spam_rdnum:
            split_corpus.append(" ".join(jieba.lcut(c))) # 后k个--垃圾邮件
    train_file.close()
    cv = CountVectorizer(token_pattern=r'(?u)\b\w\w+\b')
    X = cv.fit_transform(split_corpus).toarray()  # 特征向量
    # 垃圾邮件是1 正常邮件是0
    y = [0] * k + [1] * k # [0 0  0 0 1 1 1 1 ]
    return X, y

模型训练

这里我使用SVM训练分类模型

def Model_train_test(X, y):
    """模型的训练及验证"""
    # 切分训练集和测试集
    x_train, x_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

    # 使用SVM训练分类模型
    SVM_model = svm.SVC(C=1.0,kernel='sigmoid',gamma='auto',verbose=True)
    SVM_model.fit(x_train, y_train)
    # 测试分类性能
    y_test_predict = SVM_model.predict(x_test)

    print("准确率： ", SVM_model.score(x_test, y_test))
    print("分类报告： ", metrics.classification_report(y_test,y_test_predict))
    print("混淆矩阵: ", metrics.confusion_matrix( y_test, y_test_predict))

主函数

if __name__ == '__main__':

    train_path = 'trec06c/data/mailcorous.txt'
    X, y = Sample(train_path, k=3000, random_state=10)
    Model_train_test(X, y)

全部代码：

import pandas as pd
import jieba
from sklearn.feature_extraction.text import CountVectorizer
import random
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn import svm
from sklearn import metrics


def get_train_data(train_path):
    """获取数据集----全量数据集"""
    train_file = open(train_path, encoding='utf8')
    # 加载训练数据
    corpus = train_file.readlines() # 列表中的每个元素为一行文本 也就是一封邮件（包含4个特征）
    split_corpus = []
    #分词
    for c in corpus:
        split_corpus.append(" ".join(jieba.lcut(c)))
    train_file.close()
    cv = CountVectorizer(token_pattern=r'(?u)\b\w\w+\b')
    X = cv.fit_transform(split_corpus).toarray() # 特征向量
    # 垃圾邮件是1 正常邮件是0
    # 垃圾邮件42854封  正常邮件21766封
    y = [0] * 21766 + [1] * 42854
    return X, y

def Sample(train_path, k=3000, random_state=10):
    # 从原始数据集中各抽取3000个样本  # 垃圾邮件42854封  正常邮件21766封
    # 设置随机种子
    random.seed(random_state)
    # 正常邮件的
    ham_range = range(0, 21766)
    ham_rdnum = random.sample(ham_range, k)
    # 垃圾邮件的
    spam_range = range(21766, 42854)
    spam_rdnum = random.sample(spam_range, k)

    train_file = open(train_path, encoding='utf8')
    # 加载训练数据
    corpus = train_file.readlines()  # 列表中的每个元素为一行文本 也就是一封邮件（包含4个特征）
    split_corpus = []
    # 分词
    for i, c in enumerate(corpus):
        if i in ham_rdnum:
            split_corpus.append(" ".join(jieba.lcut(c))) # 前k个--正常邮件
    for i, c in enumerate(corpus):
        if i in spam_rdnum:
            split_corpus.append(" ".join(jieba.lcut(c))) # 后k个--垃圾邮件
    train_file.close()
    cv = CountVectorizer(token_pattern=r'(?u)\b\w\w+\b')
    X = cv.fit_transform(split_corpus).toarray()  # 特征向量
    # 垃圾邮件是1 正常邮件是0
    y = [0] * k + [1] * k # [0 0  0 0 1 1 1 1 ]
    return X, y


def Model_train_test(X, y):
    """模型的训练及验证"""
    # 切分训练集和测试集
    x_train, x_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

    # 使用SVM训练分类模型
    SVM_model = svm.SVC(C=1.0,kernel='sigmoid',gamma='auto',verbose=True)
    SVM_model.fit(x_train, y_train)
    # 测试分类性能
    y_test_predict = SVM_model.predict(x_test)

    print("准确率： ", SVM_model.score(x_test, y_test))
    print("分类报告： ", metrics.classification_report(y_test,y_test_predict))
    print("混淆矩阵: ", metrics.confusion_matrix( y_test, y_test_predict))

if __name__ == '__main__':

    train_path = 'trec06c/data/mailcorous.txt'
    X, y = Sample(train_path, k=3000, random_state=10)
    Model_train_test(X, y)

结果

咦 ~~~ 准确率太低了，哈哈效果不好~  只邮件正文的特征准确率都能达到90%以上，我费了劲儿还让准确率降低了 呵呵o(*￣︶￣*)o

这是我的一个课程小作业，就这样吧，啊哈哈哈~ 不看效果，反正整个流程走下来还是学习到很多东西的，感觉挺充实的~

整个过程可调整可优化的地方其实还有很多，但不想再弄了 哈哈~ 

已完结

 

 

欢迎转发~ 评论讨论~ 点赞~

转载请注明出处~

谢谢大家的支持！~ O(∩_∩)O~