人工智能AI培訓_垃圾郵件識別案例

　　7、使用第5步中訓練好的模型，根據(jù)第6步提取的特征向量對郵件進行分類。

　　2.代碼目錄結(jié)構(gòu)

　　3.編寫mail_savemodel.py文件
　　3.1.導入需要用到的標準庫和擴展庫對象
　　from re import sub
　　from os import listdir
　　from collections import Counter
　　from itertools import chain
　　from numpy import array
　　from jieba import cut
　　from sklearn.externals import joblib
　　from sklearn.naive_bayes import MultinomialNB

　　?3.2.讀取全部訓練集，刪除干擾字符或長度為1的單詞
　　?#存放所有文件中的單詞
　　?#每個元素是一個子列表，其中存放一個文件中的單詞
　　?allWords = []
　　?def getWordsFromFile(txtFile):
　　?    words = []
　　?    with open(txtFile,encoding="utf8") as fp:
　　?        for line in fp:
　　?            line = line.strip()
　　?            #過濾干擾字符或無效字符
　　?            line = sub(r'[.【】0-9、-。,!~\*]','',line)
　　?            line = cut(line)
　　?            words.extend(line)
　　?    return words
　　??3.3.獲取并返回出現(xiàn)次數(shù)最多的前topN個單詞
　　?def getTopNWords(topN):
　　?    #按文件編號順序處理當前文件夾中所有記事本文件
　　?    #共151封郵件內(nèi)容，0.txt到126.txt是垃圾郵件內(nèi)容
　　?    #127.txt到150.txt為正常郵件內(nèi)容
　　?    txtFiles = ["data/"+str(i)+".txt" for i in range(151)]
　　?    #獲取全部單詞
　　?    for txtFile in txtFiles:
　　?        allWords.append(getWordsFromFile(txtFile))
　　?    #獲取并返回出現(xiàn)次數(shù)最多的前topN個單詞
　　?    freq = Counter(chain(*allWords))
　　?    return [w[0] for w in freq.most_common(topN)]

　　?#全部訓練集中出現(xiàn)次數(shù)最多的前600個單詞
　　?topWords = getTopNWords(600)
　　??3.4.創(chuàng)建貝葉斯模型，使用已有數(shù)據(jù)進行訓練
　　?#獲取特征向量，前600個單詞的每個單詞在每個郵件中出現(xiàn)的頻率
　　?vector = []
　　?for words in allWords:
  　　  temp = list(map(lambda  x:words.count(x),topWords))
　　?    vector.append(temp)
　　?vector = array(vector)
　　?#郵件標簽，1表示垃圾郵件，0表示正常郵件
　　?labels = array([1]*127+[0]*24)
　　?#創(chuàng)建模型，使用已知訓練集進行訓練
　　?model = MultinomialNB()
　　?model.fit(vector,labels)
　　??3.5.保存模型
joblib.dump(model,"垃圾郵件分類器.pkl")
with open("topWords.txt","w",encoding="utf8") as fp:
    fp.write(",".join(topWords))
print("保存topWords成功.")

　　?4.編寫mail_loadmodel.py文件
　　?4.1.加載模型
def getWordsFromFile(txtFile):
    words = []
    with open(txtFile,encoding="utf8") as fp:
        for line in fp:
            line = line.strip()
            #過濾干擾字符或無效字符
            line = sub(r'[.【】0-9、-。,!~\*]','',line)
            line = cut(line)
            words.extend(line)
    return words

model = joblib.load("垃圾郵件分類器.pkl")
print('加載模型和訓練結(jié)果成功。')
with open("topWords.txt",encoding="utf8") as fp:
    topWords = fp.read().split(",")

　　?4.2.使用訓練好的模型對未知郵件內(nèi)容進行分類。
def predict(txtFile):
    #獲取指定郵件文件內(nèi)容，返回分類結(jié)果
    words = getWordsFromFile(txtFile)
    currentVector = array(tuple(map(lambda x:words.count(x),topWords)))
    result = model.predict(currentVector.reshape(1,-1))
    return "垃圾郵件" if result==1 else "正常郵件"

#151.txt至155.txt為測試郵件的內(nèi)容
for mail in ('data/%d.txt'%i for i in range(151,156)):
    print(mail,predict(mail),sep=":")
?