朴素贝叶斯-垃圾邮件分类

当前位置:

首页 > temp > 简明python教程 >

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

			
									import csv

									file_path = r"SMSSpamCollection"

									sms = open(file_path, 'r', encoding='utf-8')

									data = csv.reader(sms, delimiter="\t")

									for r in data:

									    print(r)

									sms.close()

2.邮件预处理

邮件分句
名子分词
去掉过短的单词
词性还原
连接成字符串

传统方法来实现
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__

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

1. def preprocessing(text):

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

3. 训练集与测试集

4. 词向量

5. 模型

			
									# 导入库

									import nltk

									from nltk.corpus import stopwords

									from nltk.stem import WordNetLemmatizer

									import csv

									def preprocessing(text):

									    tokens = []

									    # 对录入的文本按照句子进行分割;

									    for sent in nltk.sent_tokenize(text):

									        # 对句子进行分词；

									        for word in nltk.word_tokenize(sent):

									            tokens.append(word)

									    # 去除停用词

									    stops = stopwords.words("english")

									    tokens = [token for token in tokens if token not in stops]

									    # 词性标注

									    nltk.pos_tag(tokens)

									    # 词性还原

									    lemmatizer = WordNetLemmatizer()  # 定义还原对象

									    tokens = [lemmatizer.lemmatize(token, pos='n') for token in tokens]  # 名词

									    tokens = [lemmatizer.lemmatize(token, pos='v') for token in tokens]  # 动词

									    tokens = [lemmatizer.lemmatize(token, pos='a') for token in tokens]  # 形容词

									    return tokens

									# 加载数据

									sms = open("SMSSpamCollection", 'r', encoding='utf-8')

									sms_data = []

									sms_label = []

									csv_reader = csv.reader(sms, delimiter='\t')

									# 预处理

									for line in csv_reader:

									    sms_label.append(line[0])

									    sms_data.append(preprocessing(line[1]))

									sms.close()

									print("邮件标题：", sms_label)

									print("邮件处理后内容：")

									for line in sms_data:

									    print(line)

栏目列表