1. 数据准备：收集数据与读取
2. 数据预处理：处理数据
3. 训练集与测试集：将先验数据按一定比例进行拆分。
4. 提取数据特征，将文本解析为词向量 。
5. 训练模型：建立模型，用训练数据训练模型。即根据训练样本集，计算词项出现的概率P(xi|y)，后得到各类下词汇出现概率的向量 。
6. 测试模型：用测试数据集评估模型预测的正确率。
混淆矩阵
准确率、精确率、召回率、F值
7. 预测一封新邮件的类别。
8. 考虑如何进行中文的文本分类（期末作业之一）。
要点：
理解朴素贝叶斯算法
理解机器学习算法建模过程
理解文本常用处理流程
理解模型评估方法
#垃圾邮件分类#import csvimport nltkfrom nltk.corpus import stopwordsfrom nltk.stem import WordNetLemmatizertext = '''As per your request 'Melle Melle (Oru Minnaminunginte Nurungu Vettam)' has been set as your callertune for all Callers. Press *9 to copy your friends Callertune'''#预处理#def preprocessing(text): #分词# tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)] # for sent in nltk.sent_tokenize(text): #对文本按照句子进行分割# for word in nltk.word_tokenize(sent): #对句子进行分词# print(word) tokens #停用词# stops = stopwords.words('english') stops #去掉停用词 tokens = [token for token in tokens if token not in stops] tokens #去掉短于3的词 tokens = [token.lower() for token in tokens if len(token)>=3] tokens #词性还原 lmtzr = WordNetLemmatizer() tokens = [lmtzr.lemmatize(token) for token in tokens] tokens #将剩下的词重新连接成字符串 preprocessed_text = ' '.join(tokens) return preprocessed_textpreprocessing(text)#读数据#file_path = r'C:\Users\s2009\Desktop\email.txt'sms = open(file_path,'r',encoding = 'utf-8')sms_data = []sms_target = []csv_reader = csv.reader(sms,delimiter = '\t')#将数据分别存入数据列表和目标分类列表#for line in csv_reader: sms_data.append(preprocessing(line[1])) sms_target.append(line[0])sms.close()print("邮件总数为：",len(sms_target))sms_target#将数据分为训练集和测试集#from sklearn.model_selection import train_test_splitx_train,x_test,y_train,y_test=train_test_split(sms_data,sms_target,test_size=0.3,random_state=0,startify=sms_target)print(len(x_train,len(x_test)))#将其向量化#from sklearn.feature_extraction.text import TfidfVectorizer ##建立数据的特征向量#vectorizer=TfidfVectorizer(min_df=2,ngram_range=(1,2),stop_words='english',strip_accents='unicode',norm='12')X_train=vectorizer.fit_transform(x_train)X_test=vectorizer.transform(x_test)import numpy as np #观察向量a = X_train.toarray()#X_test = X_test.toarray()#X_train.shape#X_train for i in range(1000): #输出不为0的列 for j in range(5984): if a[i,j]!=0: print(i,j,a[i,j])#朴素贝叶斯分类器#from sklearn.navie_bayes import MultinomialNBclf= MultinomialNB().fit(X_train,y_train)y_nb_pred=clf.predict(X_test)#分类结果显示#from sklearn.metrics import confusion_matrixfrom sklearn.metrics import classification_reportprint(y_nb_pred.shape,y_nb_pred)#x_test预测结果print('nb_confusion_matrix:')cm=confusion_matrix(y_test,y_nb_pred)#混淆矩阵print(cm)print('nb_classification_report:')cr=classification_report(y_test,y_nb_pred)#主要分类指标的文本报告print(cr)feature_name=vectorizer.get_feature_name()#出现过的单词列表coefs=clf_coef_ #先验概率intercept=clf.intercept_coefs_with_fns=sorted(zip(coefs[0],feature_names))#对数概率p(x_i|y)与单词x_i映射n=10top=zip(coefs_with_fns[:n],coefs_with_fns[:-(n+1):-1])#最大的10个与最小的10个单词for (coef_1,fn_1),(coef_2,fn_2) in top: print('\t%.4f\t%-15s\t\t%.4f\t%-15s' % (coef_1,fn_1,coef_2,fn_2)) 
