目录
背景
基于前文 （《【机器学习】Lesson 4 - 朴素贝叶斯（NB）文本分类》）对于垃圾邮件数据集的分类处理，增加 K邻居分类器（KNN）/支持向量机（SVC）/随机森林 算法模型，并通过生成准确性报告和绘制混淆矩阵，对不同模型的性能进行比较。同时丰富数据预处理部分，增加词云展现等，完整代码及跑通效果见文档绑定资源。
本文在代码解释部分会跳过与前文雷同部分，详细可以在本文绑定资源中下载完整跑通源码查看。
代码
用大白话来讲的话，就是：
我们需要用着 5572 条邮件训练一个预测模型，以达到对邮件【是否】属于【垃圾邮件】进行预测分析。为了达到这一目的，我们选取的数据集是已经人为标注为非垃圾邮件（"ham"）和垃圾邮件（"spam"）过的。随后将数据分为一大半（训练集）和一小半（测试集），用训练集训练一个模型，然后用模型预测测试集，再用得到的结果与测试集已有标注进行比对，然后得到召回率、正确率等等评估模型性能的评分结果数据。
具体按照一定步骤如下：
1. 数据准备-1阶段
- 导包、导数据
- 预处理：即根据得到的数据集情况，删除多余的列、填补空值等等
- 数据转化：如果是中文标签的话，换成数字型，机器才看得懂。如本例中将 'spam' 转化为 1，'ham' 转化为 0。
## 数据处理类
import numpy as np
import pandas as pd
import warnings
## 数据可视化类
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
#from matplotlib.colors import ListedColormap #创建颜色映射表
import wordcloud
from wordcloud import WordCloud
## 自然语言处理类
import re #处理文本字符串，如查找、替换、分割和匹配
import nltk #文本预处理（如分词、词干提取、停用词过滤）、词性标注、命名实体识别、情感分析等各种自然语言处理任务
from nltk.corpus import stopwords #文本预处理
from nltk.tokenize import word_tokenize #分割文本
from nltk.stem.porter import PorterStemmer #词干提取算法
from nltk.stem import WordNetLemmatizer #去标点符号
from collections import Counter
from sklearn.preprocessing import MinMaxScaler,LabelEncoder
# MinMaxScaler 能将类别型数据转换为数字
# LabelEncoder 进行特征放缩
from sklearn.feature_extraction.text import TfidfVectorizer #将原生文档转化为txt矩阵
## 分析算法类
from sklearn.naive_bayes import MultinomialNB #朴素贝叶斯
from sklearn.ensemble import RandomForestClassifier # 随机森林
from sklearn.neighbors import KNeighborsClassifier # KNN
from sklearn.svm import SVC # 支持向量机
## 算法优化类
from sklearn.pipeline import Pipeline #流水线操作
from sklearn.model_selection import GridSearchCV,cross_val_score,train_test_split
# GridSearchCV 网格搜索,cross_val_score 交叉验证,train_test_split 数据划分
## 算法评分类
from sklearn import metrics
from sklearn.metrics import precision_score, recall_score, plot_confusion_matrix, classification_report, accuracy_score, f1_score
# 加载数据集
data = pd.read_csv("D:/project/Jupyter/csdn/AI_ML/datasets/Lesson4_SMS.csv")
data.info()
# 去除后面三列无意义列
to_drop = ["Unnamed: 2","Unnamed: 3","Unnamed: 4"]
data = data.drop(data[to_drop], axis=1)
# 重命名前两列
data.rename(columns = {"v1":"Target", "v2":"Text"}, inplace = True)
data.head()2. 数据探索
根据已有数据的情况，对数据进行一些统计探索，必要时可以进行数据可视化，使探索更加直观，根据展现出的情况对信息进行处理。
- 数据可视化：初步，从种类记数、高频词排序、占比等角度绘制图形。
- 特征工程：目的是最大限度地从原始数据中提取特征以供算法和模型使用。本例中将邮件内容按照字符数、词数、句子数，对文本内容进行拆分，并进行可视化碳素两两之间的数量关系。
- 异常值处理：此时出现一些明显不对劲的数据，为异常值，如下图红框部分，则需要根据其所在范围进行剔除，提高模型的准确性。
#first of all let us evaluate the target and find out if our data is imbalanced or not
plt.figure(figsize=(6,4))
fg = sns.countplot(x= data["Target"])
fg.set_title("Count Plot of Classes")
fg.set_xlabel("Classes")
fg.set_ylabel("Number of Data points")
## 词云
# 数据编码
data['spam'] = data['Target'].map( {'spam': 1, 'ham': 0} ).astype(int)
data.head(5)
# 提取出内容列的字符数
data["No_of_Characters"] = data["Text"].apply(len)
# 分离好坏类的短信，并以句子字符数为横轴绘图
data.hist(column='No_of_Characters', by='Target', bins=60, figsize=(12, 4))
plt.xlim(-40, 950)
plt.xlabel('Length') # 设置横轴标签
plt.ylabel('Count') # 设置纵轴标签
plt.show()data_ham = data[data['spam'] == 0].copy()
data_spam = data[data['spam'] == 1].copy()
def show_wordcloud(data_spam_or_ham, title):
Text = ' '.join(data_spam_or_ham['Text'].astype(str).tolist())
stopwords = set(wordcloud.STOPWORDS)
fig_wordcloud = wordcloud.WordCloud(stopwords=stopwords,background_color='lightgrey',
colormap='viridis', width=800, height=600).generate(Text)
plt.figure(figsize=(10,7), frameon=True)
plt.imshow(fig_wordcloud)
plt.axis('off')
plt.title(title, fontsize=20 )
plt.show()
show_wordcloud(data_ham, "Ham messages")
show_wordcloud(data_spam, "Spam messages")
## 特征工程
#添加列：字符数、单词数和句子数
# data["No_of_Characters"] = data["Text"].apply(len)
# 字符数前面做词云的时候已经加了，遂注释掉
data["No_of_Words"]=data.apply(lambda row: nltk.word_tokenize(row["Text"]), axis=1).apply(len)
# 创建新列"No_of_Words"，apply 将一个函数应用到 DataFrame 的每一行（axis=1），定义了一个匿名函数lambda接受行作为输入
# 使用 word_tokenize 函数对该行中的 Text 列进行分词，返回一个单词列表，使用 apply(len) 计算分词结果的长度，即单词的数量
data["No_of_sentence"]=data.apply(lambda row: nltk.sent_tokenize(row["Text"]), axis=1).apply(len)
# sent_tokenize 函数返回的是句子列表
data.describe().T # .T 是 DataFrame 的转置操作，将行和列互换
plt.figure(figsize=(12,8))
fg = sns.pairplot(data=data, hue="Target")
plt.show(fg)
3. 数据准备-2阶段
如果是数据型数据的话，这一步应该在第一步的数据准备里的，但是由于本篇代码属于自然语言处理，数据清洗需要放置于数据探索流程之后。其他的数据准备工作也相对来说复杂一些。
- 数据清洗：本例中，需要删除标点符号和数字，将所有字母改为小写。由于本篇目的为判断文本的属性，所以着重分析的是实词的感情色彩，数量含义可忽略。
- 文本分解：“token” 是指文本中的一个基本单位，文本通常需要转换成数字表示才能作为输入传递给算法进行处理。将文本句子分解为 token，方便后续将文本转换为数字化的向量，便于读取。
- 删除停用词：停用词是经常出现的单词（例如 Few、is、an 等）。这些词在句子结构中有意义，但对 NLP 中的语言处理贡献不大。为了消除处理中的冗余，需要将删除这些内容。标准选用 NLTK 库内的默认停用词组。
- 词形还原：词干提取是获取单词词根形式的过程。单词的词干是通过删除单词的前缀或后缀而创建的，词干提取会将其带回词根。词形还原还将单词转换为其词根形式。
# 查看数据
print("\033[1m\u001b[45;1m The First 5 Texts:\033[0m",*data["Text"][:5], sep = "\n")
# 编写数据清理函数
def Clean(Text):
sms = re.sub('[^a-zA-Z]', ' ', Text) #Replacing all non-alphabetic characters with a space
sms = sms.lower() #converting to lowecase
sms = sms.split()
sms = ' '.join(sms)
return sms
data["Clean_Text"] = data["Text"].apply(Clean)
# 查看清理后数据
print("\033[1m\u001b[45;1m The First 5 Texts after cleaning:\033[0m",*data["Clean_Text"][:5], sep = "\n")
data["Tokenize_Text"]=data.apply(lambda row: nltk.word_tokenize(row["Clean_Text"]), axis=1)
print("\033[1m\u001b[45;1m The First 5 Texts after Tokenizing:\033[0m",*data["Tokenize_Text"][:5], sep = "\n")
# 删除停用词
def remove_stopwords(text):
stop_words = set(stopwords.words("english"))
filtered_text = [word for word in text if word not in stop_words]
return filtered_text
data["Nostopword_Text"] = data["Tokenize_Text"].apply(remove_stopwords)
print("\033[1m\u001b[45;1m The First 5 Texts after removing the stopwords:\033[0m",*data["Nostopword_Text"][:5], sep = "\n")
lemmatizer = WordNetLemmatizer()
def lemmatize_word(text):
#word_tokens = word_tokenize(text)
# provide context i.e. part-of-speech
lemmas = [lemmatizer.lemmatize(word, pos ='v') for word in text]
return lemmas
data["Lemmatized_Text"] = data["Nostopword_Text"].apply(lemmatize_word)
print("\033[1m\u001b[45;1m The First 5 Texts after lemitization:\033[0m",*data["Lemmatized_Text"][:5], sep = "\n")4. 矢量化（向量化）
在 NLP 中，清理后的数据需要转换为数字格式，其中每个单词都由一个矩阵表示。这也称为词嵌入或词向量化。
- 创建词形还原文本语料库
- 将语料库转换为向量形式
- 对 Target 中的类进行标签编码
#词频 (TF) = (文档中某个词的频率)/(文档中词的总数)
#逆文档频率 (IDF) = log( (文档总数)/(包含词 t 的文档数)
#I将使用 TfidfVectorizer() 对预处理后的数据进行矢量化。
#创建文本特征语料库
corpus= []
for i in data["Lemmatized_Text"]:
msg = ' '.join([row for row in i])
corpus.append(msg)
corpus[:5]
print("\033[1m\u001b[45;1m The First 5 lines in corpus :\033[0m",*corpus[:5], sep = "\n")
# 矢量化
tfidf = TfidfVectorizer()
X = tfidf.fit_transform(corpus).toarray()
# 查看特征
X.dtype
# 对目标进行标签编码并将其用作 y
label_encoder = LabelEncoder()
data["Target"] = label_encoder.fit_transform(data["Target"])
5. 建立模型
本文使用了 4 种不同的模型分别对数据集进行分类，均是从 sklearn 中提取的已经封装好的模型，故可以直接构建函数，实现分别训练和交叉验证，并得到正确率。
- 将特征和目标设置为 X 和 y，拆分测试集和训练集
- 为四个不同的分类构建模型：朴素贝叶斯（NB）；K邻居分类器（KNN）；支持向量机（SVC）；随机森林
- 将所有模型拟合到训练数据集上
- 对所有模型的训练集进行交叉验证以确保准确性
y = data["Target"]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 将他们投入不同分类模型
classifiers = [MultinomialNB(),
RandomForestClassifier(),
KNeighborsClassifier(),
SVC()]
for cls in classifiers:
cls.fit(X_train, y_train)
# 创建模型的对应字典，便于后续的函数读取
pipe_dict = {0: "NaiveBayes", 1: "RandomForest", 2: "KNeighbours",3: "SVC"}
# 交叉验证
for i, model in enumerate(classifiers):
cv_score = cross_val_score(model, X_train,y_train,scoring="accuracy", cv=10)
print("%s: %f " % (pipe_dict[i], cv_score.mean()))6. 模型评价
对训练好的模型进行性能评估，以了解模型在未见过的新数据上的表现。本文中使用的评价方法为：生成准确性报告以及混淆矩阵。
- 准确性报告：列出表格，从 准确率、召回率、F1 分数、测试集准确率、训练集准确率 5个维度得出数据结论，便于一目了然地纵向对比。
- 混淆矩阵：比较模型时，TN和TP对角线两数值越大，FP和FN对角线两数值越小，模型性能越好。分类越准确混淆矩阵分为四块，分别为：
| 名称（位置） | 含义 |
| TN（左上） | 非垃圾短信被正确地预测为非垃圾短信 |
| FP（右上） | 非垃圾短信被错误地预测为垃圾短信（误报） |
| FN（左下） | 垃圾短信被错误地预测为非垃圾短信（漏报） |
| TP（右下） | 垃圾短信被正确地预测为垃圾短信 |
precision =[]
recall =[]
f1_score = []
trainset_accuracy = []
testset_accuracy = []
for i in classifiers:
pred_train = i.predict(X_train)
pred_test = i.predict(X_test)
prec = metrics.precision_score(y_test, pred_test)
recal = metrics.recall_score(y_test, pred_test)
f1_s = metrics.f1_score(y_test, pred_test)
train_accuracy = model.score(X_train,y_train)
test_accuracy = model.score(X_test,y_test)
#评分
precision.append(prec)
recall.append(recal)
f1_score.append(f1_s)
trainset_accuracy.append(train_accuracy)
testset_accuracy.append(test_accuracy)
# 初始化一个列表
data = {'Precision':precision,
'Recall':recall,
'F1score':f1_score,
'Accuracy on Testset':testset_accuracy,
'Accuracy on Trainset':trainset_accuracy}
# 创建表格
Results = pd.DataFrame(data, index =["NaiveBayes", "RandomForest", "KNeighbours","SVC"])
#在同一图中绘制多个分类模型的混淆矩阵，以便比较分类模型的性能
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(12,8))
for cls, ax in zip(classifiers, axes.flatten()):
plot_confusion_matrix(cls,
X_test,
y_test,
ax=ax
)
ax.title.set_text(type(cls).__name__)
plt.tight_layout()
plt.show()模型评价
结合代码生成的准确性报告，以及混淆矩阵，对本文使用的四种模型进行评价分析。
1. 分别评价
-
朴素贝叶斯 (NB)
- 准确率（Precision）: 完美（1.0）。
- Recall: 较低（0.705882），说明漏检率较高，有一定比例的垃圾短信未被识别（40个FN）。
- F1 Score: 0.827586，主要是召回率拖累了整体分数，但是依然是较高的。
- 总结: 适合不在意漏检的情况，适合需要更高精度的应用。
-
随机森林分类
- 准确率（Precision）: 完美（1.0）。
- Recall: 较高（0.823529），FN较少（24个），说明对垃圾短信识别较好。
- F1 Score: 0.903226，最高的F1分数，整体效果最佳。
- 总结: 精确率和召回率平衡良好，适合对精度和召回率要求较高的任务。
-
K 近邻分类 (KNN)
- 准确率（Precision）: 0.977778，相对最低，但是依然是很高的准确率。
- Recall: 非常低（0.323529），FN较多（92个），说明漏检率非常高。
- F1 Score: 0.486188，表现较差，尤其召回率影响较大。
- 总结: 效果最差，不适合垃圾短信检测等需要较高召回率的任务。
-
支持向量机 (SVC)
- 准确率（Precision）: 0.990909，几乎完美。
- Recall: 较高（0.801471），FN较少（27个），较好地识别了垃圾短信。
- F1 Score: 0.886179，表现较为平衡，次于随机森林。
- 总结: 效果不错，仅次于随机森林，在较高精度和召回率的情况下表现良好。
2. 总体评价
- 最佳模型: 随机森林 (Random Forest)，兼具高精度和高召回率。
- 次优模型: SVC，次于随机森林，表现均衡。
- 表现较差: KNN，由于召回率低导致漏检率高，不适合该场景。