2019-05-22

import numpyas np

from sklearn.model_selectionimport train_test_split

from sklearn.feature_extraction.textimport TfidfVectorizer

import re

import string

import jieba

from sklearn.linear_modelimport SGDClassifier

from sklearnimport metrics

def get_data():

'''    获取数据,数据的载入    :return: 文本数据,对应的labels    '''

    with open("data/ham_data.txt",encoding="utf8")as ham_f,open("data/spam_data.txt",encoding="utf8")as spam_f:

ham_data = ham_f.readlines()

spam_data = spam_f.readlines()

ham_label = np.ones(len(ham_data)).tolist()

spam_label = np.zeros(len(spam_data)).tolist()

corpus = ham_data + spam_data

labels = ham_label + spam_label

return corpus, labels

def prepare_datasets(corpus, labels, test_data_proportion=0.3):

'''    将数据分为训练集和测试集

    :paramcorpus: 文本数据

    :paramlabels: label数据

    :paramtest_data_proportion:测试数据占比

    :return: 训练数据,测试数据,训练label,测试label    '''

    train_X, test_X, train_Y, test_Y = train_test_split(corpus, labels,test_size=test_data_proportion,random_state=42)

return train_X, test_X, train_Y, test_Y

# 加载停用词

with open("dict/stop_words.utf8",encoding="utf8")as f:

stopword_list = f.readlines()

def tokenize_text(text):

tokens = jieba.cut(text)

tokens = [token.strip()for tokenin tokens]

return tokens

def remove_special_characters(text):

tokens = tokenize_text(text)

pattern = re.compile('[{}]'.format(re.escape(string.punctuation)))

filtered_tokens =filter(None, [pattern.sub('', token)for tokenin tokens])

filtered_text =' '.join(filtered_tokens)

return filtered_text

def remove_stopwords(text):

tokens = tokenize_text(text)

filtered_tokens = [tokenfor tokenin tokensif tokennot in stopword_list]

filtered_text =''.join(filtered_tokens)

return filtered_text

def normalize_corpus(corpus, tokenize=False):

normalized_corpus = []

for textin corpus:

text = remove_special_characters(text)

text = remove_stopwords(text)

normalized_corpus.append(text)

if tokenize:

text = tokenize_text(text)

normalized_corpus.append(text)

return normalized_corpus

def tfidf_extractor(corpus, ngram_range=(1,1)):

vectorizer = TfidfVectorizer(min_df=1,

norm='l2',

smooth_idf=True,

use_idf=True,

ngram_range=ngram_range)

features = vectorizer.fit_transform(corpus)

return vectorizer, features

def get_metrics(true_labels, predicted_labels):

print(

'Accuracy:', np.round(metrics.accuracy_score(true_labels,predicted_labels),2))

print('Precision:', np.round(metrics.precision_score(true_labels,predicted_labels,average='weighted'),2))

print('Recall:', np.round(metrics.recall_score(true_labels,predicted_labels,average='weighted'),2))

print('F1 Score:', np.round(metrics.f1_score(true_labels,predicted_labels,average='weighted'),2))

def train_predict_evaluate_model(classifier,train_features, train_labels,test_features, test_labels):

# build model

    classifier.fit(train_features, train_labels)

# predict using model

    predictions = classifier.predict(test_features)

# evaluate model prediction performance

    get_metrics(true_labels=test_labels,predicted_labels=predictions)

return predictions

def main():

corpus,labels=get_data()

corpus,labels=remove_empty_docs(corpus,labels)

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

norm_train_corpus=normalize_corpus(train_corpus)

norm_test_corpus=normalize_corpus(test_corpus)

tfidf_vectorizer,tfidf_train_features=tfidf_extractor(norm_train_corpus)

tfidf_test_features=tfidf_vectorizer.transform(norm_test_corpus)

tokenized_train=[jieba.lcut(text)for textin norm_train_corpus]

tokenized_test=[jieba.lcut(text)for textin norm_test_corpus]

svm = SGDClassifier(loss='hinge',n_iter=100)

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)

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 204,445评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,889评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 151,047评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,760评论 1 276
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,745评论 5 367
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,638评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,011评论 3 398
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,669评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,923评论 1 299
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,655评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,740评论 1 330
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,406评论 4 320
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,995评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,961评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,197评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,023评论 2 350
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,483评论 2 342

推荐阅读更多精彩内容