码迷,mamicode.com
首页 > 其他好文 > 详细

12.朴素贝叶斯-垃圾邮件分类

时间:2020-05-14 13:18:59      阅读:66      评论:0      收藏:0      [点我收藏+]

标签:http   img   词向量   ret   分支   download   end   字符   path   

1. 读邮件数据集文件,提取邮件本身与标签。

列表

numpy数组

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

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/

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。

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__

技术图片

 

 

 

 

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

 

 源代码:

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

print(nltk.__doc__)#输出版本号

#预处理
def preprocessing(text):
    tokens = [word for sent in nltk.sent_tokenize(text) for word in nltk.word_tokenize(sent)]#分词
    stops = stopwords.words("english")#停用词
    tokens = [token for token in tokens if token not in stops]#去掉停用词

    tokens = [token.lower() for token in tokens if len(token) >= 3]#将大写字母变为小写
    lmtzr = WordNetLemmatizer()
    tokens = [lmtzr.lemmatize(token, pos=n) for token in tokens]#词性还原 复数
    tokens = [lmtzr.lemmatize(token, pos=a) for token in tokens]#比较级
    tokens = [lmtzr.lemmatize(token, pos=v) for token in tokens]#时态
    return tokens


#读取文件
file_path=rD:\PycharmProjects\201706120186罗奕涛\data\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]))#对每封邮件做预处理
sms.close()

print(sms_label)
print(sms_data)

 

 结果:

技术图片

 

 

 

 

 

 

 

3. 训练集与测试集

4. 词向量

5. 模型

12.朴素贝叶斯-垃圾邮件分类

标签:http   img   词向量   ret   分支   download   end   字符   path   

原文地址:https://www.cnblogs.com/tao614/p/12887717.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!