零基础入门机器学习 -- 第四章分类问题与逻辑回归

4.1 分类 vs 回归

在机器学习中，任务通常分为两大类：

1. 回归（Regression） ：用于预测连续数值，如房价、温度、工资等。例如：

   • 预测明天的气温（28.5°C）。
   • 预测一辆二手车的价格（30,000元）。

2. 分类（Classification） ：用于预测离散类别，如垃圾邮件 vs 正常邮件。例如：

   • 判断一封邮件是否是垃圾邮件（"垃圾邮件" or "正常邮件"）。
   • 预测一个贷款申请是否会被批准（"批准" or "拒绝"）。

什么时候用分类？什么时候用回归？

任务	分类还是回归？	预测示例
预测明天的气温	回归	28.5°C
判断邮件是否为垃圾邮件	分类	"垃圾邮件" or "正常邮件"
预测一辆二手车的价格	回归	30,000元
判断贷款是否会被批准	分类	"批准" or "拒绝"

---

4.2 训练垃圾邮件分类器

我们将使用 Python 训练一个垃圾邮件分类器 ，并使用 Kaggle 上的 SMS Spam Collection Dataset 提高准确率。

1. 载入 Kaggle 数据集

首先，我们需要加载 Kaggle 上的垃圾邮件数据集。

import pandas as pd

# 载入 Kaggle 的垃圾邮件数据集
df = pd.read_csv("spam.csv", encoding="latin-1")

# 只保留必要的列
df = df[['v1', 'v2']]
df.columns = ['label', 'email']

# 将标签转换为数值（1 = 垃圾邮件, 0 = 正常邮件）
df['label'] = df['label'].map({'spam': 1, 'ham': 0})

print(df.head())  # 查看前5行数据
print("数据集大小:", len(df))

示例输出：

   label                                              email
0      0  Go until jurong point, crazy.. Available only ...
1      0                      Ok lar... Joking wif u oni...
2      1  Free entry in 2 a wkly comp to win FA Cup fina...
3      0  U dun say so early hor... U c already then say...
4      0  Nah I don't think he goes to usf, he lives aro...
数据集大小: 5572

🔹 解释：

• pd.read_csv("spam.csv", encoding="latin-1")：从 CSV 文件读取数据。
• df[['v1', 'v2']]：只保留 v1（标签）和 v2（邮件内容）。
• df['label'].map({'spam': 1, 'ham': 0})：将 "spam" 变成 1，"ham" 变成 0，方便机器学习模型处理。

---

2. 处理文本（增加 max_features）

为什么要转换文本？

机器学习模型无法直接理解文字，我们需要将邮件文本转换成数值。

我们使用 TfidfVectorizer 进行文本特征提取：

from sklearn.feature_extraction.text import TfidfVectorizer

vectorizer = TfidfVectorizer(ngram_range=(1, 2), max_features=10000)
X = vectorizer.fit_transform(df["email"])
y = df["label"]

🔹 解释：

• TfidfVectorizer(ngram_range=(1,2), max_features=10000)：
  • ngram_range=(1,2)：考虑单词和短语（如 "free" 和 "free money"）。
  • max_features=10000：选取最重要的 10000 个单词特征。

---

3. 训练 & 测试集划分

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42, stratify=y)

🔹 解释：

• test_size=0.2：测试集占 20%。
• stratify=y：确保训练集和测试集中垃圾邮件和正常邮件的比例相同，避免类别不均衡。

---

4. 解决类别不平衡（SMOTE 过采样垃圾邮件）

为什么要解决类别不平衡？

如果数据集中正常邮件的数量远远多于垃圾邮件，模型可能会倾向于预测所有邮件都是正常邮件，从而得到较高的"假准确率"（即准确率看起来很高，但实际上垃圾邮件检测效果很差）。

例如：

• 90% 的邮件是正常邮件，10% 是垃圾邮件。
• 如果模型"偷懒"，直接预测所有邮件都是正常邮件，它的准确率会高达 90%！
• 但这是错误的分类，因为垃圾邮件没有被正确检测出来。

如何解决？

我们使用 SMOTE（Synthetic Minority Over-sampling Technique） 来生成更多垃圾邮件样本，使两类数据更加均衡：

from imblearn.over_sampling import SMOTE

smote = SMOTE(sampling_strategy=0.5, random_state=42)
X_train_resampled, y_train_resampled = smote.fit_resample(X_train, y_train)

🔹 解释：

• SMOTE(sampling_strategy=0.5)：让垃圾邮件占训练数据的 50%。
• fit_resample(X_train, y_train)：自动生成垃圾邮件数据，使两类数据均衡。

---

5. 训练逻辑回归模型（调整参数）

from sklearn.linear_model import LogisticRegression

model = LogisticRegression(C=1.0, solver='saga', max_iter=2000)
model.fit(X_train_resampled, y_train_resampled)

🔹 解释：

• C=1.0：适当降低正则化，防止模型欠拟合。
• solver='saga'：适用于大数据集。
• max_iter=2000：增加迭代次数，确保模型收敛。

---

6. 预测 & 评估

from sklearn.metrics import accuracy_score

y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("🔥 终极优化后的模型准确率:", accuracy)

示例输出：

🔥 终极优化后的模型准确率: 0.9865470852017937

🔹 解释：

• accuracy_score(y_test, y_pred) 计算模型的预测准确率。

---

7. 测试新邮件

new_email = ["Win a free iPhone now! Click here to claim!"]
new_X = vectorizer.transform(new_email)
prediction = model.predict(new_X)
print("📩 预测结果:", "垃圾邮件" if prediction[0] == 1 else "正常邮件")

示例输出：

📩 预测结果: 垃圾邮件

---

4.6 课后练习

✅ 运行代码，查看模型准确率（目标：98%+ ）

✅ 修改 max_features=20000，尝试是否能提高效果

✅ 添加更多垃圾邮件，提高样本数量