机器学习作业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

实验代码为：

1 import csv
2 file_path = r"C:\Users\23625\Desktop\机器学习\项目\data\SMSSpamCollection"
3 sms = open(file_path, 'r', encoding='utf-8')
4 csv_reader = csv.reader(sms, delimiter='\t')
5 for r in csv_reader:
6     print(r)
7 sms.close()

实验结果为：

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

实验代码为：

 1 sep = '.,:;?!-_'  # 标点符号
 2 exclude = {'a', 'the', 'and', 'i', 'you', 'in'}  # 无意义的词
 3 file_path = r"C:\Users\23625\Desktop\机器学习\项目\data\SMSSpamCollection"
 4 
 5 
 6 def getxx():
 7     txt = open(file_path, 'r', encoding='utf-8').read().lower()  # 大小写
 8     for ch in sep:
 9         txt = txt.replace(ch, '')  # 标点符号
10     return txt
11 
12 
13 bigstr = getxx()  # 获取待统计字符串
14 biglist = bigstr.split()  # 英文分词列表
15 bigdict = {}
16 for word in biglist:
17     bigdict[word] = bigdict.get(word, 0) + 1  # 词频统计字典
18 for word in exclude:
19     del (bigdict[word])  # 无意义的词
20 print(bigdict)
21 bigitems = list(bigdict.items())
22 bigitems.sort(key=lambda x: x[1], reverse=True)  # 按词频排序
23 print("出现次数最多的10个单词：")
24 for i in range(10):
25     w, c = bigitems[i]
26     print('{0:>10};{1:<5}'.format(w, c))  # TOP10

实验结果为：

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_

实验结果为：

 

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

 实验代码为：

 1 import csv
 2 import nltk
 3 from nltk.corpus import stopwords
 4 from nltk.stem import WordNetLemmatizer
 5 
 6 
 7 # 词性还原
 8 def get_wordnet_pos(treebank_tag):
 9     if treebank_tag.startswith('J'):  # 形容词
10         return nltk.corpus.wordnet.ADJ
11     elif treebank_tag.startswith('V'):  # 动词
12         return nltk.corpus.wordnet.VERB
13     elif treebank_tag.startswith('N'):  # 名词
14         return nltk.corpus.wordnet.NOUN
15     elif treebank_tag.startswith('R'):  # 副词
16         return nltk.corpus.wordnet.ADV
17     else:
18         return
19 
20 
21 # 预处理
22 def preprocessing(text):
23     tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)]  # 将所有单词形成列表
24     stops = stopwords.words('english')  # 停用词
25     tokens_stop = [token for token in tokens if token not in stops]  # 去掉停用词
26     lemmatizer = WordNetLemmatizer()
27     tag = nltk.pos_tag(tokens_stop)  # 词性标注，标出是不是形容词等等
28     newtokens = []
29     for i, token in enumerate(tokens_stop):
30         if token:
31             pos = get_wordnet_pos(tag[i][1])
32             if pos:
33                 word = lemmatizer.lemmatize(token, pos)
34                 newtokens.append(word)
35     return newtokens
36 
37 
38 file_path = r"C:\Users\23625\Desktop\机器学习\项目\data\SMSSpamCollection"
39 sms = open(file_path, 'r', encoding='utf-8')
40 sms_data = []
41 sms_lable = []
42 csv_reader = csv.reader(sms, delimiter='\t')
43 for r in csv_reader:
44     sms_lable.append(r[0])
45     sms_data.append(preprocessing(r[1]))  # 对每封邮件做预处理
46 sms.close()
47 
48 print("邮件标签为：\n", sms_lable)
49 # 将sms_data换行输出，方便查看
50 print("邮件标签为：")
51 for i in sms_data:
52     print(i, end="\n")

实验结果为：

3. 训练集与测试集

4. 词向量

5. 模型