垃圾邮件过滤器-Python新手

因此，我的任务是用Python为电子邮件数据集创建一个分类算法：

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，找出有多少电子邮件是垃圾邮件

正如你所看到的，我已经完成了一些任务，但错过了交叉验证，并发现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))

---

我已经研究了交叉验证，认为我现在可以应用它，但它发现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，但我如何才能真正找到垃圾邮件的数量？最后一列是1或0，用于定义其是否为垃圾邮件？所以我不知道该怎么做

因为你的类标签1意味着垃圾邮件，所以你使用

准确度评分计算的准确度值

将为你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封被正确归类为垃圾邮件

使用

sklearn.metrics.conflusion\u矩阵（y\u expect，y\u pred）

进行单独的类级别分解

例如：

如果

y\u 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]

，则表示您的模型已正确检测到3封垃圾邮件，但也检测到1封非垃圾邮件为垃圾邮件

我不明白你到底在问什么。y_true的计数，其中spam==1是实际垃圾邮件的数量，y_predicted的计数，其中spam==1是预测垃圾邮件的数量这里说y_true==1？我对python和分类算法还不熟悉，所以我对它很熟悉。目前，我所了解的程序所要做的就是为每种朴素贝叶斯类型获得准确分数。我想了解的是如何计算垃圾邮件的数量？在您的例子中，您的真实y标签似乎存储为

y\u expect

，您的预测y值为

y\u pred

。我的困惑是：你是否在试图告诉你的测试集中有多少实际的垃圾邮件

y\u expect.sum（）

。根据您的测试功能，您预计有多少封电子邮件是垃圾邮件

y_pred.sum（）

。你错分了多少？下面是@mujjiga的答案。我更困惑的是准确度分数到底是多少。从下面的答案中，我认为这是正确分类的电子邮件的准确性。但我肯定不能指望我知道整个数据集中有多少实际的垃圾邮件？假设数据集中的所有内容都是正确的，我同意你的观点，我现在就明白了。因此，现实地说，当我的简介中说“查找垃圾邮件数量”时，我真的不能准确地知道吗？

“查找垃圾邮件数量”

（在测试数据中）通常意味着查找您的模型能够正确检测垃圾邮件的程度。它是对模型性能的衡量，以便您可以看到哪个模型在检测垃圾邮件方面表现良好（同样是在测试数据上）。但我们假设，如果它对测试数据有好处，那么它对看不见的数据也会有好处。