Python基于词袋模型特征和TFIDF特征进行支持向量机模型中文邮件分类项目实战

2024-07-10 371

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： Python基于词袋模型特征和TFIDF特征进行支持向量机模型中文邮件分类项目实战

说明：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后获取。

1.项目背景

随着互联网的发展，越来越多的用户通过互联网来交流，电子邮件成为人们日常生活交流的重要工具。用户每星期可能收到成百上千的电子邮件，但是大部分是垃圾邮件。据时代杂志估计，1994年人们发送了7760亿封电子邮件，1997年则是26000亿封，2000年更是达到了66000亿封。电子邮件特别是垃圾邮件的泛滥已经严重影响电子商务活动的正常开展。人们通常要花费很多时间对电子邮件进行处理，但效果却不明显，严重影响了正常的商务活动。对邮件进行合理的分类，为用户挑选出有意义的电子邮件是所有用户的迫切要求。

目前的邮件分类方法大多是将邮件分为垃圾邮件与非垃圾邮件，从而实现对邮件的自动过滤。本项目基于词袋模型特征和TFIDF特征进行支持向量机模型中文邮件分类，邮件类别分为正常邮件和垃圾邮件。

2.数据采集

本次建模数据来源于网络，数据项统计如下：

数据详情如下(部分展示)：

正常邮件：

垃圾邮件：

每一行代表一封邮件。

3.数据预处理

3.1查看数据

关键代码

print("总的数据量:", len(labels))

corpus, labels = remove_empty_docs(corpus, labels) # 移除空行

print('样本之一:', corpus[10])
print('样本的label:', labels[10])
label_name_map = ["垃圾邮件", "正常邮件"]
print('实际类型:', label_name_map[int(labels[10])])

结果如图所示：

4.特征工程

4.1数据集拆分

关键代码

train_corpus, test_corpus, train_labels, test_labels = prepare_datasets(corpus, labels, test_data_proportion=0.3)

把数据集分为70%训练集和30%测试集。

4.2加载停用词

关键代码

with open("stop_words.utf8", encoding="utf8") as f:
stopword_list = f.readlines()

停用词列表如下，部分展示：

4.3分词

关键代码

import jieba
tokens = jieba.lcut(text)
tokens = [token.strip() for token in tokens]

结果如图所示：

训练集分词展示：

测试集分词展示：

4.4移除特殊字符

关键代码

pattern = re.compile('[{}]'.format(re.escape(string.punctuation))) # re.escape就能自动处理所有的特殊符号
# string.punctuation返回所有标点符号
filtered_tokens = filter(None, [pattern.sub('', token) for token in tokens])
filtered_text = ' '.join(filtered_tokens)

4.5去停用词

关键代码

filtered_tokens = [token for token in tokens if token not in stopword_list]
filtered_text = ''.join(filtered_tokens)

4.6归整化

关键代码

for text in corpus:

    text = remove_special_characters(text) # 出去特殊符号
    text = remove_stopwords(text) # 去除停用词
    normalized_corpus.append(text)

结果如图所示：

归整化后的训练集：

归整化后的测试集：

4.7词袋模型特征提取

关键代码

# min_df：在构建词汇表时，忽略那些文档频率严格低于给定阈值的术语。
# ngram_range的(1,1)表示仅使用单字符
vectorizer = CountVectorizer(min_df=1, ngram_range=ngram_range)
features = vectorizer.fit_transform(corpus) # 学习词汇表字典并返回文档术语矩阵

结果如图所示：

4.8 TFIDF特征提取

关键代码

vectorizer = TfidfVectorizer(min_df=1, # 在构建词汇表时，忽略那些文档频率严格低于给定阈值的术语
                             norm='l2', # 每个输出行都有单位范数，可以是:* ' l2 ':向量元素的平方和为1。当应用l2范数时，两个向量之间的余弦相似度是它们的点积
                             smooth_idf=True, # 通过在文档频率上增加1来平滑idf权重，就好像在一个额外的文档中只包含集合中的每一个词一样。防止零分歧。
                             ngram_range=ngram_range) # ngram_range的(1,1)表示仅使用单字符
features = vectorizer.fit_transform(corpus) # 学习词汇表和idf，返回文档术语矩阵。

结果如图所示：

5.构建支持向量机分类模型

5.1基于词袋模型特征的支持向量机

关键代码

# 基于词袋模型的支持向量机方法
print("基于词袋模型的支持向量机")
svm_bow_predictions = train_predict_evaluate_model(classifier=svm,
                                                   train_features=bow_train_features,
                                                   train_labels=train_labels,
                                                   test_features=bow_test_features,
                                                   test_labels=test_labels)

5.2基于TFIDF特征的支持向量机

关键代码

# 基于tfidf的支持向量机模型
print("基于tfidf的支持向量机模型")
svm_tfidf_predictions = train_predict_evaluate_model(classifier=svm,
                                                     train_features=tfidf_train_features,
                                                     train_labels=train_labels,
                                                     test_features=tfidf_test_features,
                                                     test_labels=test_labels)

6.模型评估

6.1评估指标及结果

评估指标主要包括准确率、查准率、查全率(召回率)、F1分值等等。

关键代码

print('准确率:', np.round(metrics.accuracy_score(true_labels, predicted_labels), 2))
print('查准率:', np.round(metrics.precision_score(true_labels, predicted_labels, average='weighted'), 2))
print('召回率:', np.round(metrics.recall_score(true_labels, predicted_labels, average='weighted'), 2))
print('F1得分:', np.round(metrics.f1_score(true_labels, predicted_labels, average='weighted'), 2))

模型名称	指标名称	指标值
测试集
基于词袋模型特征的支持向量机模型	准确率	0.97
	查准率	0.97
	查全率	0.97
	F1分值	0.97

模型名称	指标名称	指标值
测试集
基于TFIDF特征的支持向量机模型	准确率	0.97
	查准率	0.97
	查全率	0.97
	F1分值	0.97

通过上表可以看到，两种特征提取的模型的准确率均为97%,F1分值均为0.97,说明模型效果良好。

6.2分类报告

关键代码

# 分类报告
print(classification_report(true_labels, predicted_labels))

结果如图所示：

基于词袋模型特征的分类报告：

类型为垃圾邮件的F1分值为0.97；类型为正常邮件的F1分值为0.97。

基于TFIDF特征的分类报告：

类型为垃圾邮件的F1分值为0.97；类型为正常邮件的F1分值为0.97。

6.3混淆矩阵

关键代码

# 构建数据框
cm_matrix = pd.DataFrame(data=cm, columns=['Actual :0', 'Actual :1'],
index=['Predict :0', 'Predict :1'])

sns.heatmap(cm_matrix, annot=True, fmt='d', cmap='YlGnBu') # 热力图展示
plt.show() # 展示图片

结果如图所示：

基于词袋模型特征的分类报告：

从上图可以看到，预测为垃圾邮件实际为正常邮件的有91封；预测为正常邮件实际为垃圾邮件的有5封。

基于TFIDF特征的分类报告：

从上图可以看到，预测为垃圾邮件实际为正常邮件的有89封；预测为正常邮件实际为垃圾邮件的有6封。

7.模型预测展示

显示正确分类的邮件：

显示错误分类的邮件：

8.总结展望

本项目应用两种特征提取方法进行支持向量机模型中文邮件分类研究，通过数据预处理、特征工程、模型构建、模型评估等工作，最终模型的F1分值达到0.97，这在文本分类领域，是非常棒的效果，可以应用于实际工作中。

# 本次机器学习项目实战所需的资料，项目资源如下：
 
# 项目说明：
 
# 获取方式一：
 
# 项目实战合集导航：
 
https://docs.qq.com/sheet/DTVd0Y2NNQUlWcmd6?tab=BB08J2
 
# 获取方式二：
 
链接：https://pan.baidu.com/s/1KbSmPLG_QFsnSE-LU8cGUA 
提取码：v8fq

Python基于词袋模型特征和TFIDF特征进行支持向量机模型中文邮件分类项目实战

1.项目背景

2.数据采集

3.数据预处理

3.1查看数据

4.特征工程

4.1数据集拆分

4.2加载停用词

4.3分词

4.4移除特殊字符

4.5去停用词

4.6归整化

4.7词袋模型特征提取

4.8 TFIDF特征提取

5.构建支持向量机分类模型

5.1基于词袋模型特征的支持向量机

5.2基于TFIDF特征的支持向量机

6.模型评估

6.1评估指标及结果

6.2分类报告

6.3混淆矩阵

7.模型预测展示

8.总结展望

人工智能平台PAI

热门文章

最新文章

相关课程

相关电子书

推荐镜像