《自然語言處理技術(shù)》圖31所示。圖STYLEREF1\s3SEQ圖\*ARABIC\s11垃圾短信分類的基本流程實訓(xùn)步驟數(shù)據(jù)預(yù)處理數(shù)據(jù)預(yù)處理需要經(jīng)過加載停用詞表、加載數(shù)據(jù)集、中文分詞和去除停用詞的步驟。數(shù)據(jù)預(yù)處理如REF_Ref131448110\h代碼31所示。代碼STYLEREF1\s3SEQ代碼\*ARABIC\s11數(shù)據(jù)預(yù)處理importjieba#導(dǎo)入jieba庫importpandasaspd#導(dǎo)入pandas庫importnltk#導(dǎo)入nltk庫fromnltk.corpusimportstopwords#導(dǎo)入停用詞#加載停用詞表withopen('../data/stopwordsHIT.txt','r')asf:stop_words=[line.strip()forlineinf.readlines()]#加載停用詞表并去重#加載數(shù)據(jù)集data=pd.read_table('../data/junk_message.txt',sep='\t',header=None,names=['label','content'])#讀取文本文件，使用制表符分隔，沒有表頭，指定列名為label和content#中文分詞和去除停用詞defcut_words(text):#定義cut_words函數(shù)words=[wordforwordinlist(jieba.cut(text))ifwordnotinstop_words]#對文本進行分詞，并去除停用詞return''.join(words)#返回分詞后的文本，單詞之間用空格分隔data['content']=data['content'].apply(cut_words)#對data['content']中的文本進行分詞和去除停用詞的處理print("第1個文本的分詞結(jié)果為：",cut_words(data['content'][0]))#輸出第1個文本的分詞結(jié)果運行REF_Ref131448110\h代碼31，得到數(shù)據(jù)預(yù)處理結(jié)果如下。第1個文本的分詞結(jié)果為：商業(yè)秘密秘密性維系商業(yè)價值壟斷地位前提條件特征工程特征工程需要經(jīng)過初始化TF-IDF向量化器、對文本數(shù)據(jù)進行向量化處理、獲取文本標簽的步驟，從中提取出最能代表數(shù)據(jù)特征的信息。特征工程如REF_Ref131448130\h代碼32所示。代碼STYLEREF1\s3SEQ代碼\*ARABIC\s12特征工程fromsklearn.feature_extraction.textimportTfidfVectorizer#提取特征vectorizer=TfidfVectorizer()#初始化TF-IDF向量化器X=vectorizer.fit_transform(data['content'])#對文本數(shù)據(jù)進行向量化處理，生成tf-idf矩陣y=data['label']#獲取文本標簽print("文本向量為：\n",X)運行REF_Ref131448130\h代碼32，得到文本向量化后結(jié)果，部分結(jié)果的展示如下。文本向量為：(0,1313) 0.3779644730092272(0,1799) 0.3779644730092272……(1,3089) 0.2327379867795795模型訓(xùn)練模型訓(xùn)練需要先劃分數(shù)據(jù)集，導(dǎo)入所需模塊，最后訓(xùn)練模型，從而生成一個能夠?qū)π聰?shù)據(jù)進行預(yù)測或分類的模型。模型訓(xùn)練如REF_Ref131448152\h代碼33所示。代碼STYLEREF1\s3SEQ代碼\*ARABIC\s13模型訓(xùn)練fromsklearn.model_selectionimporttrain_test_split#導(dǎo)入train_test_split模塊#劃分數(shù)據(jù)集X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)#導(dǎo)入MultinomialNB模塊和accuracy_score、f1_score模塊fromsklearn.naive_bayesimportMultinomialNBfromsklearn.metricsimportaccuracy_score,f1_score#訓(xùn)練模型clf=MultinomialNB()#構(gòu)建先驗概率為多項式分布的貝葉斯分類模型clf.fit(X_train,y_train)MultinomialNB是一種樸素貝葉斯分類器，它適用于離散特征的分類問題（如文本分類），它是基于貝葉斯定理的一種分類方法，假設(shè)特征之間相互獨立，在處理文本分類問題時，特征通常是單詞的出現(xiàn)頻率。MultinomialNB函數(shù)的常用參數(shù)說明如REF_Ref133335629\h表31所示。表STYLEREF1\s3SEQ表\*ARABIC\s11MultinomialNB函數(shù)的常用參數(shù)說明參數(shù)名稱參數(shù)說明alpha接收float，表示平滑參數(shù)，用于避免概率為0的情況，通常取值在0~1之間。默認為1.0fit_prior接收bool，表示是否學(xué)習類的先驗概率。默認為Trueclass_prior接收numpy數(shù)組，表示類的先驗概率，若指定，則不根據(jù)數(shù)據(jù)自動計算先驗概率。默認為None模型評估模型評估需要預(yù)測測試集的標簽并計算準確率，以便選擇最佳的模型并進行優(yōu)化。模型評估如REF_Ref131448211\h代碼34所示。代碼STYLEREF1\s3SEQ代碼\*ARABIC\s14模型評估#預(yù)測并評估模型y_pred=clf.predict(X_test)#預(yù)測測試集的標簽acc=accuracy_score(y_test,y_pred)#計算準確率print('準確率為：',acc)在Python中可以使用sklearn庫中的accuracy_score函數(shù)計算分類準確率，accuracy_score函數(shù)的常用參數(shù)如REF_Ref132316086\h表32所示。表STYLEREF1\s3SEQ表\*ARABIC\s12accuracy_score函數(shù)的常用參數(shù)說明參數(shù)名稱參數(shù)說明y_pred接收numpy數(shù)組，表示分類模型的預(yù)測結(jié)果。無默認值y_true接收numpy數(shù)組，表示分類的真實標簽。無默認值運行REF_Ref131448211\h代碼34，得到模型評估準確率結(jié)果如下。準確率為：0.88636363636363