文章首發個人博客：http://zmister.com/archives/173.html

前不久，我們使用NLTK的貝葉斯分類模型垃圾對短信數據進行機器學習的垃圾短信識別。

其實除了使用NLTK，我們還可以使用Scikit-Learn這個集成了諸多機器學習算法的模塊進行上述的實驗。

Scikit-Learn的API設計非常合理和高效，對於初觸機器學習的同學來說非常友好，值得大家嘗試和使用。本人也經常在實驗環境和工作環境中使用scikit-learn進行機器學習的建模。

下面，我們就使用scikit-learn模塊，通過其樸素貝葉斯算法API對短信數據進行一次垃圾短信的識別。

導入短信數據

首先，我們需要對原始的短信數據進行處理，導入pandas模塊和jieba模塊。

pandas模塊用於讀取和處理數據，jieba模塊用於對短信進行分詞。

接著，我們導入短信數據：

查看一下部分短信數據：

其中第一列為原始序號，第二列為短信的分類，0表示正常短信，1表示垃圾短信，第三列就是短信的正文。
我們只需要關註第二和第三列。

查看一下這個短信數據集的形狀：

一共有七十余萬條短信。

對短信進行分詞

文本的分類，基本上是基於詞袋模型，也就是一個文本中包含多少詞以及各個詞的頻率。對於英文而已，其天生的句子空格可以很容易的分割單詞出來，但是中文就得先進行分詞處理，也就是將一個完整的中文分割為一個一個詞。
在Python中，有第三方模塊——jieba，結巴分詞來提供對中文的分詞。
我們使用jieba對短信的內容進行分詞。

得到的結果如下：

提取特征和目標數據

我們需要分別提取出特征數據和目標數據，特征數據表示輸入的數據，目標數據則是輸入數據的屬性，在這裏，短信內容就是特征數據，短信的分類就是目標數據。

X中都是特征數據，y中都是目標數據，便於下一步的分割訓練集和測試集。

分割訓練集和測試集

使用sklearn的分割模塊對訓練集和測試集進行分割：

提取文本特征

從文本中提取特征，需要利用到scikit-learn中的CountVectorizer()方法和TfidfTransformer()方法。
CountVectorizer()用於將文本從標量轉換為向量，TfidfTransformer()則將向量文本轉換為tf-idf矩陣。

建立樸素貝葉斯分類器並進行訓練

樸素貝葉斯是一個很經典同時準確率也很高的機器學習算法，用它來做分類器可以得到很好的效果。

在scikit-learn中，每一個模型都會有一個fit()方法用來模型訓練，有一個predict()方法用來模型預測，在此我們就傳入了訓練特征和訓練目標進行了模型的訓練。

模型測試

模型訓練好之後，我們可以使用模型的predict()方法來測試與預測數據。
在這之前，我們還得進行另外一步。
因為之前對文本提取特征只是針對於訓練集，測試集並沒有進行，所以我先對測試集進行文本特征提取：

再使用predict()方法進行預測：

變量predicted_categories中包含的就是所有的預測結果。

模型評估

scikit-learn模塊中內置了很多模型評估的方法，對於分類問題，我們可以使用accuracy_score()方法，其返回一個數值，得分最高為1。

打印出來的結果顯示：

這個分類器的準確率達到了0.98，比上一次使用NLTK的貝葉斯算法高出了10%，很不錯。

可以打印部分測試的短信數據以及預測的結果來看：

基本上正常短信和垃圾短信都被正確識別出來了。

短信數據下載鏈接關註公眾號“州的先生”，回復關鍵字“垃圾短信識別”可以獲取。

本文出自 “州的先生” 博客，請務必保留此出處http://6230973.blog.51cto.com/6220973/1983254

Scikit-Learn機器學習實踐——垃圾短信識別