data: 存放数据 models: 存放模型 preproc：预处理、向量化
为了避免中文文件名带来的问题，老师提供的文件被重命名为：
- labeled.txt = 带标签短信.txt
- without-label.txt = 不带标签短信.txt
下面依次介绍各个脚本的功能。
首先是preproc下面的脚本
- cut_train.py：将labeled.txt作为输入，用jieba分词，输出cut-labeled.txt。
- cut_test.py：将without-label.txt作为输入，用jieba分词，输出cut-no-label.txt。
- doc2vec.py：将cut-labeled.txt和cut-no-label作为输入，用word2vec算法， 分别输出习得的向量到vec-train.txt和vec-test.txt。
- labels.py：为了方便某些算法，将label列从cut-labeled.txt中剥离出来，输出到labels.txt
- to_libsvm.py, to_libsvm_test.py：没用了
- tf_vectorizer.py：用tfidf和hashing-vectorizing两种方法向量化句子，输出为 scipy的稀疏表示。cut-labeled.txt被向量化的结果为tfidf-vec-train.npz和 hash-vec-train.npz，cut-no-label.txt被向量化的结果为tfidf-vec-test.npz 和hash-vec-test.npz。
以上数据下载地址为 Google Drive
接下来是models下面的脚本
- XBG.py：调用xgboost来进行预测
- boosting.py：调用sklearn的GBDT和AdaBoosting来预测
- svm.py：调用sklearn的SVM来预测（太慢了，我没跑完）
- records.txt：调用AdaBoosting和xgboost的一些结果
上面3个脚本依赖于以下4个文件：
- vec-train.txt
- tfidf-vec-train.npz
- hash-vec-train.npz
- labels.txt
它们都可以从 Google Drive 下载