Python实现基于朴素贝叶斯的垃圾邮件分类



 

分类: 机器学习(19) 


听说朴素贝叶斯在垃圾邮件分类的应用中效果很好,寻思朴素贝叶斯容易实现,就用Python写了一个朴素贝叶斯模型下的垃圾邮件分类。在400封邮件(正常邮件与垃圾邮件各一半)的测试集中测试结果为分类准确率95.15%,在仅仅统计词频计算概率的情况下,分类结果还是相当不错的。

实现代码及数据集下载

1、准备工作 
python3.4开发环境; 
结巴分词工具:https://github.com/fxsjy/jieba

2、贝叶斯公式 
我们要做的是计算在已知词向量w=(w1,w2,...,wn)的条件下求包含该词向量邮件是否为垃圾邮件的概率,即求: 


Python垃圾邮件处理 基于python的垃圾邮件分类_朴素贝叶斯

其中,

s表示分类为垃圾邮件 

根据贝叶斯公式和全概率公式, 

Python垃圾邮件处理 基于python的垃圾邮件分类_朴素贝叶斯_02

根据朴素贝叶斯的条件独立假设,并设先验概率

Python垃圾邮件处理 基于python的垃圾邮件分类_词频_03

再利用贝叶斯

Python垃圾邮件处理 基于python的垃圾邮件分类_朴素贝叶斯_04


至此,我们接下来会用式2来计算概率

P(s|w),为什么不用式1而用式2来计算概率,是因为通过式2可以将关于 s′的部分用 s表示,方便计算。

3、实现步骤 
具体实现的源码已经给出,这里简单说下思路,就是一个分词并记录词频的过程: 
(1)对训练集用结巴分词,并用停用表进行简单过滤,然后使用正则表达式过滤掉邮件中的非中文字符; 
(2)分别保存正常邮件与垃圾邮件中出现的词有多少邮件出现该词,得到两个词典。例如词”疯狂”在8000封正常邮件中出现了20次,在8000封垃圾邮件中出现了200次; 
(3)对测试集中的每一封邮件做同样的处理,并计算得到P(s|w)最高的15个词,在计算过程中,若该词只出现在垃圾邮件的词典中,则令P(w|s′)=0.01,反之亦然;若都未出现,则令P(s|w)=0.4。PS.这里做的几个假设基于前人做的一些研究工作得出的。 
(4)对得到的每封邮件中重要的15个词利用式2计算概率,若概率>阈值α(一般设为0.9),则判为垃圾邮件,否则判为正常邮件。


听说朴素贝叶斯在垃圾邮件分类的应用中效果很好,寻思朴素贝叶斯容易实现,就用Python写了一个朴素贝叶斯模型下的垃圾邮件分类。在400封邮件(正常邮件与垃圾邮件各一半)的测试集中测试结果为分类准确率95.15%,在仅仅统计词频计算概率的情况下,分类结果还是相当不错的。

实现代码及数据集下载

1、准备工作 
python3.4开发环境; 
结巴分词工具:https://github.com/fxsjy/jieba

2、贝叶斯公式 
我们要做的是计算在已知词向量w=(w1,w2,...,wn)的条件下求包含该词向量邮件是否为垃圾邮件的概率,即求: 

Python垃圾邮件处理 基于python的垃圾邮件分类_朴素贝叶斯

其中,

s表示分类为垃圾邮件 

根据贝叶斯公式和全概率公式, 

Python垃圾邮件处理 基于python的垃圾邮件分类_朴素贝叶斯_02


根据朴素贝叶斯的条件独立假设,并设先验概率

P(s)=P(s′)=0.5,上式可化为: 

Python垃圾邮件处理 基于python的垃圾邮件分类_Python垃圾邮件处理_07

再利用贝叶斯

Python垃圾邮件处理 基于python的垃圾邮件分类_朴素贝叶斯_04


至此,我们接下来会用式2来计算概率

P(s|w),为什么不用式1而用式2来计算概率,是因为通过式2可以将关于 s′的部分用 s表示,方便计算。

3、实现步骤 
具体实现的源码已经给出,这里简单说下思路,就是一个分词并记录词频的过程: 
(1)对训练集用结巴分词,并用停用表进行简单过滤,然后使用正则表达式过滤掉邮件中的非中文字符; 
(2)分别保存正常邮件与垃圾邮件中出现的词有多少邮件出现该词,得到两个词典。例如词”疯狂”在8000封正常邮件中出现了20次,在8000封垃圾邮件中出现了200次; 
(3)对测试集中的每一封邮件做同样的处理,并计算得到P(s|w)最高的15个词,在计算过程中,若该词只出现在垃圾邮件的词典中,则令P(w|s′)=0.01,反之亦然;若都未出现,则令P(s|w)=0.4。PS.这里做的几个假设基于前人做的一些研究工作得出的。 
(4)对得到的每封邮件中重要的15个词利用式2计算概率,若概率>阈值α(一般设为0.9),则判为垃圾邮件,否则判为正常邮件。