博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
[读书笔记]机器学习:实用案例解析(3)
阅读量:6149 次
发布时间:2019-06-21

本文共 10115 字,大约阅读时间需要 33 分钟。

第3章  分类:垃圾过滤

#machine learing for heckers

#chapter 3

library(tm)library(ggplot2)

  

#设置路径变量

spam.path <- "ML_for_Hackers/03-Classification/data/spam/"spam2.path <- "ML_for_Hackers/03-Classification/data/spam_2/"easyham.path <- "ML_for_Hackers/03-Classification/data/easy_ham/"easyham2.path <- "ML_for_Hackers/03-Classification/data/easy_ham_2/"hardham.path <- "ML_for_Hackers/03-Classification/data/hard_ham/"hardham2.path <- "ML_for_Hackers/03-Classification/data/hard_ham_2/"

  

###########################################

#构建垃圾邮件和正常邮件的特征词项类别知识库
###########################################
#######################
#构建垃圾邮件的特征词项
#######################
#打开每一个文件,找到空行,将空行之后的文本返回为一个字符串向量(只有一个元素)
#file用于打开文件,open设置rt(read as text), 由于邮件中可能包含非ACSⅡ码字符,
#设置encoding = "latin1"
#readLines按行读入文件
#定位到第一个空行“”并抽取后面的所有文本
#有些文件中未包含空行,会抛出错误,因此用tryCatch捕获这些错误并返回NA
#关闭文件,将所有行合并为一行并返回该向量

get.msg <- function(path){  con <- file(path, open = "rt", encoding = "latin1")  text <- readLines(con)  #The message always begins after the first full line break  #if not have a break, return NA  msg <- tryCatch(text[seq(which(text == "")[1]+1, length(text), 1)], error = function(e) return(NA))  close(con)  return(paste(msg, collapse = "\n"))}

  

#创建向量保存所有正文,向量的每个元素就是一封邮件的内容

#dir函数得到路径下文件列表,除掉cmds文件
#应用sapply函数时,先传入一个无名函数,目的是用paste函数把文件名和适当的路径拼接起来

spam.docs <- dir(spam.path)spam.docs <- spam.docs[which(spam.docs != "cmds")]all.spam <- sapply(spam.docs,                    function(p) get.msg(paste(spam.path, p, sep = "")))

  

#输入文本向量,输出TDM(Term Document Matrix,词项-文档矩阵)

#矩阵行表示词项,列表示文档,元素[i, j]代表词项i在文档j中出现的次数
#Corpus函数用于构建语料库(corpus对象),VectorSource用向量构建source对象
#source对象是用来创建语料库的数据源对象
#control变量是一个选项列表,用于设定提取文本的清洗规则
#stopwords移除停用词,removePunctuation, removeNumbers分别移除标点和数字
#minDocFreq设定最小两次出现的词才最终出现在TDM中

get.tdm <- function(doc.vec){  doc.corpus <- Corpus(VectorSource(doc.vec))  control <- list(stopwords = TRUE, removePunctuation = TRUE,                   removeNumbers = TRUE, minDocFreq = 2)  doc.dtm <- TermDocumentMatrix(doc.corpus, control)  return(doc.dtm)}spam.tdm <- get.tdm(all.spam)

  

#用TDM构建垃圾邮件的训练数据:构建数据框保存所有特征词在垃圾邮件中的条件概率

#先将spam.tdm转为标准矩阵,rowSums创建一个包含每个特征在所有文档中总频次的向量
#注意禁止字符自动转为因子
#修改列名,frequency转数字类型

spam.matrix <- as.matrix(spam.tdm)spam.counts <- rowSums(spam.matrix)spam.df <- data.frame(cbind(names(spam.counts), as.numeric(spam.counts)),                       stringsAsFactors = FALSE)names(spam.df) <- c("term", "frequency")spam.df$frequency <- as.numeric(spam.df$frequency)

  

#关键训练数据1:计算一个特定特征词项所出现的文档在所有文档中所占比例

#sapply函数将行号传入无名函数,计算该行值为正数的元素个数,再除以文档总数(列数)
#关键训练数据2:统计整个语料库中每个词项的频次(不用于分类,但是可以通过对比频次知道某些词是否影响结果)

spam.occurrence <- sapply(1:nrow(spam.matrix),                           function(i) {length(which(spam.matrix[i, ] > 0))/ncol(spam.matrix)})spam.density <- spam.df$frequency/sum(spam.df$frequency)spam.df <- transform(spam.df, density = spam.density, occurrence = spam.occurrence)

  

#按照occurrence列降序排列并显示前6条(与书上的结果不同)

 

#######################

#构建正常邮件的特征词项
#######################

easyham.docs <- dir(easyham.path)easyham.docs <- easyham.docs[which(easyham.docs != "cmds")]#注意为了平衡数据,将正常邮件数量限定在500easyham.docs<-easyham.docs[1:500]all.easyham <- sapply(easyham.docs,                       function(p) get.msg(paste(easyham.path, p, sep = "")))easyham.tdm <- get.tdm(all.easyham)easyham.matrix <- as.matrix(easyham.tdm)easyham.counts <- rowSums(easyham.matrix)easyham.df <- data.frame(cbind(names(easyham.counts), as.numeric(easyham.counts)),                       stringsAsFactors = FALSE)names(easyham.df) <- c("term", "frequency")easyham.df$frequency <- as.numeric(easyham.df$frequency)easyham.occurrence <- sapply(1:nrow(easyham.matrix),                           function(i) {length(which(easyham.matrix[i, ] > 0))/ncol(easyham.matrix)})easyham.density <- easyham.df$frequency/sum(easyham.df$frequency)easyham.df <- transform(easyham.df, density = easyham.density, occurrence = easyham.occurrence)

  

#按照occurrence列降序排列并显示前6条(与书上的结果不同)

 

#########################################################################

#构造函数classify.email:输入文本返回这封邮件是垃圾邮件的贝叶斯概率估计值
#########################################################################
#抽取正文、转换成TDM、计算特征词项频率
#先验概率默认为50%,未出现词的概率设为0.0001%

classify.email <- function(path, training.df, prior = 0.5, c = 1e-6){  msg <- get.msg(path)  msg.tdm <- get.tdm(msg)  msg.freq <- rowSums(as.matrix(msg.tdm))  #find intersections of words找到邮件中的词项和出现在训练集中的词项的交集  msg.match <- intersect(names(msg.freq), training.df$term)  if(length(msg.match) < 1){    #如果没有任何词出现在垃圾邮件集中    #length(msg.freq)是词的个数    #返回的值很小,因为没有训练集中出现过的词,无法判定    return(prior*c^(length(msg.freq)))  }else{    #交集中词的频率存放到match.probs    #用这些词的特征概率,计算这封邮件是训练集中对应类别的条件概率    #返回值=是垃圾邮件的先验概率*各重合词在垃圾邮件训练集中的概率积*缺失词项的小概率积    match.probs <- training.df$occurrence[match(msg.match, training.df$term)]    return(prior*prod(match.probs)*c^(length(msg.freq) - length(msg.match)))  }}

  

#############################################

#用不易分类的正常邮件进行测试
#############################################

hardham.docs <- dir(hardham.path)hardham.docs <- hardham.docs[which(hardham.docs != "cmds")]hardham.spamtest <- sapply(hardham.docs,                            function(p) classify.email(file.path(hardham.path, p),                                                       training.df = spam.df))hardham.hamtest <- sapply(hardham.docs,                           function(p) classify.email(file.path(hardham.path, p),                                                      training.df = easyham.df))hardham.res <- ifelse(hardham.spamtest > hardham.hamtest, TRUE, FALSE)summary(hardham.res)

  

 

#############################################

#用三种类型的邮件下标为2的邮件集进行测试
#############################################

#creating a function: return the probability and the classificationspam.classifier <- function(path) {  pr.spam <- classify.email(path, spam.df)  pr.ham <- classify.email(path, easyham.df)  return(c(pr.spam, pr.ham, ifelse(pr.spam > pr.ham, 1, 0)))}#path listspam2.docs <- dir(spam2.path)spam2.docs <- spam2.docs[which(spam2.docs != "cmds")]easyham2.docs <- dir(easyham2.path)easyham2.docs <- easyham2.docs[which(easyham2.docs != "cmds")]hardham2.docs <- dir(hardham2.path)hardham2.docs <- hardham2.docs[which(hardham2.docs != "cmds")]#classifying using lapplyspam2.class <- suppressWarnings(lapply(spam2.docs,                                        function(p) spam.classifier(file.path(spam2.path, p))))easyham2.class <- suppressWarnings(lapply(easyham2.docs,                                          function(p) spam.classifier(file.path(easyham2.path, p))))hardham2.class <- suppressWarnings(lapply(hardham2.docs,                                          function(p) spam.classifier(file.path(hardham2.path, p))))

  

#"lapply"返回的是列表对象,需要转换为矩阵

#turn the list into matrix and label themeasyham2.matrix <- do.call(rbind, easyham2.class)easyham2.final <- cbind(easyham2.matrix, "EASYHAM")hardham2.matrix <- do.call(rbind, hardham2.class)hardham2.final <- cbind(hardham2.matrix, "HARDHAM")spam2.matrix <- do.call(rbind, spam2.class)spam2.final <- cbind(spam2.matrix, "SPAM")

  

#combine all matrices and turn them into data frame, name the column

class.matrix <- rbind(easyham2.final, hardham2.final, spam2.final)class.df <- data.frame(class.matrix, stringsAsFactors = FALSE)names(class.df) <- c("Pr.SPAM" ,"Pr.HAM", "Class", "Type")

  

#设置stringAsFactors = FALSE后,数据框所有元素类型均为"character",因此需要单独更改

class.df$Pr.SPAM <- as.numeric(class.df$Pr.SPAM)class.df$Pr.HAM <- as.numeric(class.df$Pr.HAM)class.df$Class <- as.logical(as.numeric(class.df$Class))class.df$Type <- as.factor(class.df$Type)

  

#creat a plot of results

#直线的绘制,需要使用"geom_abline"命令,设定截距使用"intercept"参数,与书中代码不同

class.plot <- ggplot(class.df, aes(x = log(Pr.HAM), log(Pr.SPAM))) +  geom_point(aes(shape = Type, alpha = 0.5)) +  geom_abline(intercept = 0, slope = 1) +  scale_shape_manual(values = c("EASYHAM" = 1,                                "HARDHAM" = 2,                                "SPAM" = 3),                     name = "Email Type") +  scale_alpha(guide = "none") +  xlab("log[Pr(HAM)]") +  ylab("log[Pr(SPAM)]") +  theme_bw() +  theme(axis.text.x = element_blank(), axis.text.y = element_blank())print(class.plot)

  

 

#creat a table of results

get.results <- function(bool.vector){  results <- c(length(bool.vector[which(bool.vector == FALSE)]) / length(bool.vector),               length(bool.vector[which(bool.vector == TRUE)]) / length(bool.vector))  return(results)}easyham2.col <- get.results(subset(class.df, Type == "EASYHAM")$Class)hardham2.col <- get.results(subset(class.df, Type == "HARDHAM")$Class)spam2.col <- get.results(subset(class.df, Type == "SPAM")$Class)class.res <- rbind(easyham2.col, hardham2.col, spam2.col)colnames(class.res) <- c("NOT SPAM", "SPAM")print(class.res)

  

#效果评价:对于正常邮件分类效果好,但是对于垃圾邮件分类效果差,有48.3%的误判

#结果与书上不一致

 

########################################

#效果改进
########################################
#之前的先验概率设置为50%,但是实际数据集中,垃圾邮件数量347/(347+247+1400)=17.4%

#事实上,垃圾邮件和正常邮件分别约占20%和80%

#因此更改先验概率

#以下是关键代码,重复上面代码的一部分即可得到结果

spam.classifier.new <- function(path){  pr.spam <- classify.email(path, spam.df, prior = 0.2)  pr.ham <- classify.email(path, easyham.df, prior = 0.8)  return(c(pr.spam, pr.ham, ifelse(pr.spam > pr.ham, 1, 0)))}spam2.class <- suppressWarnings(lapply(spam2.docs,                                        function(p) spam.classifier.new(file.path(spam2.path, p))))easyham2.class <- suppressWarnings(lapply(easyham2.docs,                                          function(p) spam.classifier.new(file.path(easyham2.path, p))))hardham2.class <- suppressWarnings(lapply(hardham2.docs,                                          function(p) spam.classifier.new(file.path(hardham2.path, p))))

  

#这一段的效果改进是针对书上的结果来的,书上的结果问题在于对正常邮件的误判很高

#但是之前的结果,对于正常邮件的分类效果很好,而对垃圾邮件的分类效果很差,
#因此这种改进方式并不能解决问题
#然而实际应用中,这种效果的分类器反而比书上的更为好用

 

PS:

1.这一章的代码里让我感兴趣和不太理解的地方还有tryCatch()和suppressWarnings()的用法,涉及到的应该是处理报错和忽略warnings()的用法。由于现在有关R编程的书不在手边,在网上的其他博客中都是单独用一篇博客来讨论的,我没有仔细看。所以还是一边学习一边填坑吧。

2.对于apply函数族的理解不够深入。想起毕设的时候不会用apply,用了四层循环嵌套,今天想了想并没有想出怎样用apply写,等熟悉一下再试试。

参考博客:

 

转载于:https://www.cnblogs.com/gyjerry/p/5562478.html

你可能感兴趣的文章
微软正式发布PowerShell Core 6.0
查看>>
Amazon发布新的会话管理器
查看>>
InfoQ趋势报告:DevOps 和云计算
查看>>
舍弃Python,为什么知乎选用Go重构推荐系统?
查看>>
在soapui上踩过的坑
查看>>
MySQL的字符集和字符编码笔记
查看>>
ntpd同步时间
查看>>
must implement java.io.Serializable hessian
查看>>
Microsoft Licenses Flash Lite for Windows Mobile Users
查看>>
HDOJ 2020 绝对值排序
查看>>
HDOJ/HDU 2560 Buildings(嗯~水题)
查看>>
Maven编译时跳过Test
查看>>
Spring Boot 整合Spring Security 和Swagger2 遇到的问题小结
查看>>
[20170628]12C ORA-54032.txt
查看>>
除以2
查看>>
高可用集群原理解析
查看>>
Nginx配置URL转向tomcat
查看>>
极客Web前端开发资源大荟萃#001
查看>>
让div固定在某个位置
查看>>
Java开发环境Docker镜像
查看>>