Scikit-Learn机器学习实践——垃圾短信识别

前不久，我们使用NLTK的贝叶斯分类模型垃圾对短信数据进行机器学习的垃圾短信识别。

其实除了使用NLTK，我们还可以使用Scikit-Learn这个集成了诸多机器学习算法的模块进行上述的实验。

Scikit-Learn的API设计非常合理和高效，对于初触机器学习的同学来说非常友好，值得大家尝试和使用。本人也经常在实验环境和工作环境中使用scikit-learn进行机器学习的建模。

下面，我们就使用scikit-learn模块，通过其朴素贝叶斯算法API对短信数据进行一次垃圾短信的识别。

导入短信数据

首先，我们需要对原始的短信数据进行处理，导入pandas模块和jieba模块。

pandas模块用于读取和处理数据，jieba模块用于对短信进行分词。

接着，我们导入短信数据：

查看一下部分短信数据：

其中第一列为原始序号，第二列为短信的分类，0表示正常短信，1表示垃圾短信，第三列就是短信的正文。
我们只需要关注第二和第三列。

查看一下这个短信数据集的形状：

一共有七十余万条短信。

对短信进行分词

文本的分类，基本上是基于词袋模型，也就是一个文本中包含多少词以及各个词的频率。对于英文而已，其天生的句子空格可以很容易的分割单词出来，但是中文就得先进行分词处理，也就是将一个完整的中文分割为一个一个词。
在Python中，有第三方模块——jieba，结巴分词来提供对中文的分词。
我们使用jieba对短信的内容进行分词。

得到的结果如下：

提取特征和目标数据

我们需要分别提取出特征数据和目标数据，特征数据表示输入的数据，目标数据则是输入数据的属性，在这里，短信内容就是特征数据，短信的分类就是目标数据。

X中都是特征数据，y中都是目标数据，便于下一步的分割训练集和测试集。

分割训练集和测试集

使用sklearn的分割模块对训练集和测试集进行分割：

提取文本特征

从文本中提取特征，需要利用到scikit-learn中的CountVectorizer()方法和TfidfTransformer()方法。
CountVectorizer()用于将文本从标量转换为向量，TfidfTransformer()则将向量文本转换为tf-idf矩阵。

建立朴素贝叶斯分类器并进行训练

朴素贝叶斯是一个很经典同时准确率也很高的机器学习算法，用它来做分类器可以得到很好的效果。

在scikit-learn中，每一个模型都会有一个fit()方法用来模型训练，有一个predict()方法用来模型预测，在此我们就传入了训练特征和训练目标进行了模型的训练。

模型训练好之后，我们可以使用模型的predict()方法来测试与预测数据。
在这之前，我们还得进行另外一步。
因为之前对文本提取特征只是针对于训练集，测试集并没有进行，所以我先对测试集进行文本特征提取：

再使用predict()方法进行预测：

变量predicted_categories中包含的就是所有的预测结果。

scikit-learn模块中内置了很多模型评估的方法，对于分类问题，我们可以使用accuracy_score()方法，其返回一个数值，得分最高为1。

打印出来的结果显示：

这个分类器的准确率达到了0.98，比上一次使用NLTK的贝叶斯算法高出了10%，很不错。

可以打印部分测试的短信数据以及预测的结果来看：

基本上正常短信和垃圾短信都被正确识别出来了。

短信数据下载链接关注公众号，回复关键字“垃圾短信识别”可以获取。