垃圾邮件过滤器 - Python 新手

Question

所以我的任务是在 Python 中为电子邮件数据集创建分类算法：https://archive.ics.uci.edu/ml/datasets/spambase

我需要能够处理数据集，应用我的分类算法（我选择了 3 个朴素贝叶斯版本），将准确度分数打印到终端并执行 5 或 10 倍交叉验证并找出有多少电子邮件垃圾邮件。

如您所见，我已经完成了一些任务，但错过了交叉验证并找出有多少电子邮件是垃圾邮件。

import numpy as np
import pandas as pd 

import sklearn   
from sklearn.naive_bayes import BernoulliNB
from sklearn.naive_bayes import GaussianNB
from sklearn.naive_bayes import MultinomialNB
from sklearn.model_selection import train_test_split

from sklearn import metrics
from sklearn.metrics import accuracy_score

# Read data
dataset = pd.read_csv('dataset.csv').values

# What shuffle does? How it helps?
np.random.shuffle(dataset)


X = dataset[ : , :48 ]
Y = dataset[ : , -1 ]

X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size = .33, random_state = 17)

# Bernoulli Naive Bayes
BernNB = BernoulliNB(binarize = True)
BernNB.fit(X_train, Y_train)
y_expect = Y_test
y_pred = BernNB.predict(X_test)   
print ("Bernoulli Accuracy Score: ")
print (accuracy_score(y_expect, y_pred))

# Multinomial Naive Bayes
MultiNB = MultinomialNB()
MultiNB.fit(X_train, Y_train)
y_pred = MultiNB.predict(X_test)
print ("Multinomial Accuracy Score: ")
print (accuracy_score(y_expect, y_pred))

# Gaussian Naive Bayes
GausNB = GaussianNB()
GausNB.fit(X_train, Y_train)
y_pred = GausNB.predict(X_test)
print ("Gaussian Accuracy Score: ")
print (accuracy_score(y_expect, y_pred))

# Bernoulli ALTERED Naive Bayes
BernNB = BernoulliNB(binarize = 0.1)
BernNB.fit(X_train, Y_train)
y_expect = Y_test
y_pred = BernNB.predict(X_test)   
print ("Bernoulli 'Altered' Accuracy Score: ")
print (accuracy_score(y_expect, y_pred))

我已经研究过交叉验证并认为我现在可以应用它，但它会找出有多少电子邮件是我不理解的垃圾邮件？？？我有不同的 navie bayes 版本的准确性，但我实际上如何找到垃圾邮件的数量？最后一列是 1 或 0，它定义了它是否是垃圾邮件？所以我不知道该怎么做

Answer 1

由于您的类别标签 1 表示垃圾邮件，因此您使用 accuracy_score 计算的准确度值将为您提供正确识别为垃圾邮件的垃圾邮件数量。例如，90% 的测试准确率意味着 100 封测试垃圾邮件中有 90 封被正确分类为垃圾邮件。

使用sklearn.metrics.confusion_matrix(y_expect, y_pred) 进行个别班级级别细分。

sklearn Doc

例如：

如果y_expect = [1,1,0,0,1] 这意味着您的测试数据中有 3 封垃圾邮件和 2 封非垃圾邮件，如果 y_pred = [1,1,1,0,1] 则意味着您的模型已正确检测到 3 封垃圾邮件，但也将 1 封非垃圾邮件检测为垃圾邮件。