- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我一直在研究 Python 编码的优先级电子邮件收件箱,最终目标是使用机器学习算法来标记(或分类)选择的电子邮件为重要或不重要。我将从一些背景信息开始,然后进入我的问题。
到目前为止,我已经开发了代码来从电子邮件中提取数据并对其进行处理以发现最重要的数据。这是使用以下电子邮件功能实现的:
我目前的代码根据每封电子邮件的重要性对每封电子邮件应用排名(或权重)(值 0.1-1),然后应用“重要”或“不重要”的标签(在这种情况下,这是仅 1 或 0)。如果排名 > 0.5,则授予优先地位。此数据存储在 CSV 文件中(如下所示)。
From Subject Body Date Rank Priority
test@test.com HelloWorld Body Words 10/10/2012 0.67 1
rest@test.com ByeWorld Body Words 10/10/2012 0.21 0
best@test.com SayWorld Body Words 10/10/2012 0.91 1
just@test.com HeyWorld Body Words 10/10/2012 0.48 0
etc …………………………………………………………………………
我有两组电子邮件数据(一组训练,一组测试)。以上适用于我的培训电子邮件数据。我现在正尝试训练一种学习算法,以便我可以预测测试数据的重要性。
为此,我一直在研究 SCIKIT 和 NLTK。但是,我无法将我在教程中学到的信息转移到我的项目中。对于使用哪种学习算法,我没有特别的要求。这就像应用以下一样简单吗?如果是这样怎么办?
X, y = email.data, email.target
from sklearn.svm import LinearSVC
clf = LinearSVC()
clf = clf.fit(X, y)
X_new = [Testing Email Data]
clf.predict(X_new)
最佳答案
最简单(虽然可能不是最快)的解决方案 (*) 是使用 scikit-learn 的 DictVectorizer
。首先,使用 Python 的 csv
模块读取每个示例,并构建一个包含 (feature, value)
对的 dict
,同时保持优先级分开:
# UNTESTED CODE, may contain a bug or two; also, you need to decide how to
# implement split_words
datareader = csv.reader(csvfile)
dicts = []
y = []
for row in datareader:
y.append(row[-1])
d = {"From": row[0]}
for word in split_words(row[1]):
d["Subject_" + word] = 1
for word in split_words(row[2]):
d["Body_" + word] = 1
# etc.
dicts.append(d)
# vectorize!
vectorizer = DictVectorizer()
X_train = vectorizer.fit_transform(dicts)
您现在有一个稀疏矩阵 X_train
,您可以将它与 y
一起提供给 scikit-learn 分类器。
注意:
当您想对看不见的数据进行预测时,您必须对其应用相同的过程和完全相同的vectorizer
对象。 IE。您必须使用上面的循环构建一个 test_dicts
对象,然后执行 X_test = vectorizer.transform(test_dicts)
。
我假设您想直接预测优先级。相反,预测“排名”将是一个回归问题,而不是分类问题。一些 scikit-learn 分类器有一个 predict_proba
方法,它会产生电子邮件很重要的概率,但你不能训练这些分类器。
(*) 我是 scikit-learn 的 DictVectorizer
的作者,所以这不是公正的建议。不过,它是从马嘴里出来的:)
关于python - 机器学习电子邮件优先级排序 - Python,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/14683690/
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库,但没有成功。 我猜它只是通过 knn 聚类
我有一个扁平数字列表,这些数字逻辑上以 3 为一组,其中每个三元组是 (number, __ignored, flag[0 or 1]),例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。 如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
这听起来像是谜语或笑话,但实际上我还没有找到这个问题的答案。 问题到底是什么? 我想运行 2 个脚本。在第一个脚本中,我调用另一个脚本,但我希望它们继续并行,而不是在两个单独的线程中。主要是我不希望第
我有一个带有 python 2.5.5 的软件。我想发送一个命令,该命令将在 python 2.7.5 中启动一个脚本,然后继续执行该脚本。 我试过用 #!python2.7.5 和http://re
我在 python 命令行(使用 python 2.7)中,并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹,使用: os.chdir("
剧透:部分解决(见最后)。 以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
假设我有以下列表,对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
所以我试图在选择某个单选按钮时更改此框架的背景。 我的框架位于一个类中,并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
我正在尝试将字符串与 python 中的正则表达式进行比较,如下所示, #!/usr/bin/env python3 import re str1 = "Expecting property name
考虑以下原型(prototype) Boost.Python 模块,该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
如何编写一个程序来“识别函数调用的行号?” python 检查模块提供了定位行号的选项,但是, def di(): return inspect.currentframe().f_back.f_l
我已经使用 macports 安装了 Python 2.7,并且由于我的 $PATH 变量,这就是我输入 $ python 时得到的变量。然而,virtualenv 默认使用 Python 2.6,除
我只想问如何加快 python 上的 re.search 速度。 我有一个很长的字符串行,长度为 176861(即带有一些符号的字母数字字符),我使用此函数测试了该行以进行研究: def getExe
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。 告
我想用 Python 将两个列表组合成一个列表,方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
学习 Python,我正在尝试制作一个没有任何第 3 方库的网络抓取工具,这样过程对我来说并没有简化,而且我知道我在做什么。我浏览了一些在线资源,但所有这些都让我对某些事情感到困惑。 html 看起来
我是一名优秀的程序员,十分优秀!