参考

【数据挖掘】基于XGBoost的垃圾短信分类与预测

【分类】使用XGBoost算法对信用卡交易进行诈骗预测

银行卡电信诈骗危险预测(LightGBM版本)

【数据挖掘】基于XGBoost的垃圾短信分类与预测

基于XGBoost的垃圾短信分类与预测

我分享了一个项目给你《【数据挖掘】基于XGBoost的垃圾短信分类与预测》，快来看看吧

1. 导入模块

import jieba,wordcloud,re,csv
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn import metrics
import xgboost as xgb

import warnings
warnings.filterwarnings('ignore')

from matplotlib import font_manager

font_path = "ZhuqueFangsong-Regular.ttf"
font_manager.fontManager.addfont(font_path)
prop = font_manager.FontProperties(fname=font_path)

plt.rcParams['font.family'] = 'sans-serif'
plt.rcParams['font.sans-serif'] = prop.get_name()
plt.rcParams['axes.unicode_minus'] = False

2. 数据读取及预处理

df = pd.read_csv("/home/mw/input/spammessage3546/垃圾短信分类数据集.csv")
df.head()

输出如下：

df.info()

输出如下：

通过查看数据信息，发现
数据集的Text列存在缺失值，由于该列是记录短信内容，无法进行生成填充，所以在此处进行直接删除处理
数据集各列的类型合理，无需进行类型转换处理

## 删除缺失值
df.dropna(axis=0,inplace=True)

## 删除重复值
df.drop_duplicates(inplace=True)

##
df = df.reset_index(drop=True)

3. 数据可视化

3.1 观测值数量分布

## 查看观测值的分布情况
k,v = df["Label"].value_counts().index.tolist(), df["Label"].value_counts().values.tolist()

k = ["垃圾短信" if x==0 else "正常短信" for x in k]
print("k ",k)
print("v ",v)

输出如下

fig,ax = plt.subplots(1,1,figsize=(9,6),dpi=100)

ax.pie(v, labels=k,
        autopct='%1.1f%%', 
        startangle=90, 
        textprops={'fontsize': 16}, 
        wedgeprops = {'linewidth': 1, "width":.4, 'edgecolor':'#000'},
        pctdistance = .8)

plt.show()

输出如下：

根据上述饼图所展示的内容：
数据集中正常短信的数量占比为58.5%，略高于垃圾短信的数量占比(41.5%)
正常短信与垃圾短信的数量比接近1:1

3.2 垃圾短信的词云图

## 读取停用词表
with open("/home/mw/input/stop6931/中文停用词库.txt","r",encoding="gbk") as f:
    stopwords = f.read()

## Zero is Spam
def DrawWordcloud(tag):
    words = []
    def GetWordCounts(row):
        row = "".join(re.findall(r'[\u4e00-\u9fff]+', row))
        for r in jieba.lcut(row):
            if len(r) > 1:
                words.append(r.strip())

    for i in df.query("Label == {}".format(tag))["Text"]:
        GetWordCounts(i)

    wc = wordcloud.WordCloud(
        font_path="ZhuqueFangsong-Regular.ttf",
        scale=4,                   
        background_color='white',
        stopwords=stopwords
        )
    wc.generate('/'.join(words))

    fig = plt.figure(figsize=(10,8),dpi=120)
    plt.imshow(wc)
    plt.axis('off')
    plt.show()
DrawWordcloud(0)

输出如下：

观察上述垃圾短信的词云图可以发现：
垃圾短信的内容主要集中在数据流量、招商证券等内容上，此外还出现有财富、收盘等字眼
初步概括，垃圾短信的内容主要与营销内容有关，更多的集中在营销推广这个方面

3.3 正常短信的词云图

DrawWordcloud(1)

输出如下：

与垃圾短信的内容相比，正常短信的内容有些许不同：
正常短信更多是由如中国移动、冲浪助手等相关机构发出的
此外还出现了一些关于社会新闻的短信内容
该类短信更具有社会实际意义

4. 分类建模预测

sw_l = stopwords.split("\n")

def CutCleanWord(text):
    _ = "".join(re.findall(r'[\u4e00-\u9fff]+', text))
    words = [word for word in jieba.cut(str(_).strip()) if word not in sw_l and word != ' ']
    res = " ".join(words)

    return res

## 分词
df["CutText"] = df["Text"].map(lambda x:CutCleanWord(x))
df["CutText"]

输出如下：

## 向量化
x_train,x_test,y_train,y_test = train_test_split(df["CutText"],df["Label"],test_size=.2,random_state=42)

vec = TfidfVectorizer(
    max_features=80000, 
    ngram_range=(1, 2),
    min_df=2,
    max_df=0.96,
    strip_accents='unicode',
    norm='l2',
    token_pattern=r"(?u)\b\w+\b")

vec.fit(df["CutText"])
x_train_ = vec.transform(x_train).toarray()
x_test_ = vec.transform(x_test).toarray()

# 原始数据
print("x_train[0:2] \n",x_train[0:2])
print("x_test[0:2]  \n",x_test[0:2])
print("y_train[0:2]  \n",y_train[0:2])
print("y_test[0:2]  \n",y_test[0:2])

输出如下：

# 向量后的数据
print("x_train_[0:2] shape \n",x_train_.shape," \n x_train_[0:2]  \n",x_train_[0:2])
print("x_test_[0:2] shape \n",x_test_[0:2].shape," \n x_test_[0:2]  \n",x_test_[0:2])
for i in x_train_[0]:
    print(i,end=' ')

输出如下：

## 构建xgboost分类模型
model = xgb.XGBClassifier(
    objective = 'binary:logistic',
    max_depth = 2, 
    learning_rate = 0.05, 
    n_estimators = 100,
    silent = False,
    random_state=42
    )

model.fit(x_train_, y_train)

输出如下：

XGBClassifier
XGBClassifier(base_score=None, booster=None, callbacks=None,
colsample_bylevel=None, colsample_bynode=None,
colsample_bytree=None, device=None, early_stopping_rounds=None,
enable_categorical=False, eval_metric=None, feature_types=None,
gamma=None, grow_policy=None, importance_type=None,
interaction_constraints=None, learning_rate=0.05, max_bin=None,
max_cat_threshold=None, max_cat_to_onehot=None,
max_delta_step=None, max_depth=2, max_leaves=None,
min_child_weight=None, missing=nan, monotone_constraints=None,
multi_strategy=None, n_estimators=100, n_jobs=None,
num_parallel_tree=None, random_state=42, …)

acc1 = metrics.accuracy_score(y_train, model.predict(x_train_))

print("模型在训练集上的预测准确率：{}%".format(round(acc1,4)*100))

输出如下：

模型在训练集上的预测准确率：81.36%

## 模型在测试集上的预测准确率
y_pred = model.predict(x_test_)
acc2 = metrics.accuracy_score(y_test, y_pred)

print("模型在测试集上的预测准确率：{}%".format(round(acc2,4)*100))

print("\n\n模型在训练集到测试集上的预测准确率变化了：{}%".format(round((acc2-acc1)*100,2)))

模型在测试集上的预测准确率：78.12%
模型在训练集到测试集上的预测准确率变化了：-3.24%

## 模型在测试集上的预测结果的分类
print(metrics.classification_report(y_test, y_pred))

输出如下：

根据上述建模预测过程：

• 模型在训练集上的预测准确率为81.36%，在测试集上的预测准确率为78.12%
• 模型在训练集到测试集的预测准确率变化中呈下降结果，预测准确率降低了3.24%
• 在分类报告中，模型针对类别为1即正常短信的预测F1得分为0.83，但在针对类别为0即垃圾短信的预测F1得分为0.69，这说明模型对类别为1的短信分类识别能力好于识别类别为0的能力

5. 拓展

针对上述模型预测出现的不足之处，可以有以下的优化：

• 使用更为高级的分类模型
• 对XGBoost分类模型进行超参数优化
• 使用交叉验证提高模型的泛化能力

---

项目使用数据集 👉👉 垃圾短信分类数据集

银行卡电信诈骗危险预测(LightGBM版本)

参考

我分享了一个项目给你《【竞赛学习】LightGBM+贝叶斯优化预测银行卡电信诈骗》，快来看看吧