2.数据预处理

3.数据划分—训练集和测试集数据划分

from sklearn.model_selection import train_test_split

x_train,x_test, y_train, y_test = train_test_split(data, target, test_size=0.2, random_state=0, stratify=y_train)

4.文本特征提取

sklearn.feature_extraction.text.CountVectorizer

https://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.CountVectorizer.html?highlight=sklearn%20feature_extraction%20text%20tfidfvectorizer

sklearn.feature_extraction.text.TfidfVectorizer

https://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.TfidfVectorizer.html?highlight=sklearn%20feature_extraction%20text%20tfidfvectorizer#sklearn.feature_extraction.text.TfidfVectorizer

from sklearn.feature_extraction.text import TfidfVectorizer

tfidf2 = TfidfVectorizer()

观察邮件与向量的关系

向量还原为邮件

5.模型选择

from sklearn.naive_bayes import GaussianNB

from sklearn.naive_bayes import MultinomialNB

说明为什么选择这个模型？

答：本次邮件数据属于概率性的数据，并不符合正态分布的特征，是不能选择高斯型分布模型，应该选择多项式分布模型

6.模型评价：混淆矩阵，分类报告

from sklearn.metrics import confusion_matrix

confusion_matrix = confusion_matrix(y_test, y_predict)

说明混淆矩阵的含义

from sklearn.metrics import classification_report 

说明准确率、精确率、召回率、F值分别代表的意义:

1、混淆矩阵 confusion-matrix：

　　TP（True Positive）：真实为0，预测为0

　　TN（True Negative）：真实为1，预测为1

　　FN（False Negative）：真实为0，预测为1 

　　FP（False Positive）：真实为1，预测为0

2、分类确率 accuracy：所有样本中被预测正确的样本的比率。

3、精确率 precision：在被所有预测为正的样本中实际为正样本的概率。

4、召回率 recall：指在实际为正的样本中被预测为正样本的概率。

5、F1值：准确率和召回率的加权调和平均。

7.比较与总结

如果用CountVectorizer进行文本特征生成，与TfidfVectorizer相比，效果如何？

 CountVectorizer：先根据所有训练文本，不考虑其出现顺序，只将训练文本中每个出现过的词汇单独视为一列特征，构成一个词汇表(vocabulary list)，该方法又称为词袋法

 TfidfVectorizer：此算法包括两部分tf和idf，两者相乘得到tf-idf算法。

  相比之下，文本数据越多，TfidfVectorizer的效果会越显著。