# Подготовка обучающих данных
emails = ['Письмо с текстом…', 'Еще одно письмо…', …] # Список электронных писем
labels = [0, 1, …] # Метки: 0 – не спам, 1 – спам
# Преобразование текстов писем в числовые признаки
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(emails)
# Разделение данных на обучающий и тестовый наборы
X_train, X_test, y_train, y_test = train_test_split(X, labels, test_size=0.2, random_state=42)
# Создание и обучение модели наивного байесовского классификатора
model = MultinomialNB()
model.fit(X_train, y_train)
# Прогнозирование меток для тестового набора данных
y_pred = model.predict(X_test)
# Оценка качества модели
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)
```
В этом коде мы используем библиотеку scikit-learn для создания наивного байесовского классификатора и выполнения всех необходимых шагов: преобразование текстов писем в числовые признаки с помощью CountVectorizer, разделение данных на обучающий и тестовый наборы, обучение модели и оценку ее качества.
Обучение с учителем в данном коде происходит следующим образом:
1. Подготовка обучающих данных: Создается список `emails`, содержащий тексты электронных писем, и список `labels`, содержащий метки для этих писем (0 – не спам, 1 – спам). Каждое письмо связывается с соответствующей меткой, предоставляя модели информацию о правильных ответах.
2. Преобразование текстов писем в числовые признаки: Используется `CountVectorizer` для преобразования текстов писем в векторы признаков, которые представляют частоту встречаемости слов в каждом письме.
3. Разделение данных на обучающий и тестовый наборы: С помощью `train_test_split` данные разделяются на две части: обучающий набор (80% данных) и тестовый набор (20% данных). Обучающий набор используется для обучения модели, а тестовый набор – для проверки качества обучения.
4. Создание и обучение модели: Создается модель наивного байесовского классификатора (`MultinomialNB`) и обучается на обучающем наборе данных (`X_train` и `y_train`). В процессе обучения модель анализирует тексты писем и соответствующие им метки, учась определять, какие тексты являются спамом, а какие – нет.
5. Прогнозирование меток для тестового набора данных: Обученная модель используется для предсказания меток (спам или не спам) для писем из тестового набора данных (`X_test`). Предсказанные метки сохраняются в переменной `y_pred`.