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。

 

2.邮件预处理

 2.1传统方法

扫描二维码关注公众号，回复： 11192420 查看本文章

 

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')

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

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

def preprocessing(text):
    # 分词
    fenge = []
    for sent in nltk.sent_tokenize(text):
        for word in nltk.word_tokenize(sent):
            fenge.append(word)
    # 停用词
    stops = stopwords.words("english")
    tingyong = [i for i in fenge if i not in stops]
    # 磁性标注
    nltk.pos_tag(tingyong)
    # 磁性还原
    lemmatizer = WordNetLemmatizer()
    huanyuan = []
    for i in tingyong:
        huanyuan.append(lemmatizer.lemmatize(i, pos='v'))
    for i in tingyong:
        huanyuan.append(lemmatizer.lemmatize(i, pos='a'))
    for i in tingyong:
        huanyuan.append(lemmatizer.lemmatize(i, pos='n'))

    return huanyuan

file_path=r'C:\Users\we\Desktop\SMSSpamCollection'
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(preprocessing(line[1]))
sms.close()

print("分词标注停用还原后的数据",sms_data[1:10])
print("邮件分类2",sms_label)

 

3. 训练集与测试集

4. 词向量

5. 模型