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:2020-05-18 16:31:57      阅读:55      评论:0      收藏:0      [点我收藏+]

标签:admin   文件夹   bsp   class   http   mini   链接   解压   leaves   

1. 读邮件数据集文件,提取邮件本身与标签。

列表

numpy数组

 

代码:

技术图片

 

运行截图:

技术图片

 

 

 

 

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/

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__

 

安装nltk:

技术图片

技术图片

 查看版本:

技术图片

 安装punkt:

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‘)

*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

 技术图片

 

 技术图片

 

 技术图片

 

 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:admin   文件夹   bsp   class   http   mini   链接   解压   leaves   

原文地址:https://www.cnblogs.com/dianshuizheng/p/12909779.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!