位置: IT常识 - 正文

机器学习--使用朴素贝叶斯进行垃圾邮件分类

编辑:rootadmin
机器学习--使用朴素贝叶斯进行垃圾邮件分类 一、学习背景垃圾邮件的问题一直困扰着人们,传统的垃圾邮件分类的方法主要有"关键词法"和"校验码法"等,然而这两种方法效果并不理想。其中,如果使用的是“关键词”法,垃圾邮件中如果这个关键词被拆开则可能识别不了,比如,“中奖”如果被拆成“中 --- 奖”可能会识别不了。后来,直到提出了使用“贝叶斯”的方法才使得垃圾邮件的分类达到一个较好的效果,而且随着邮件数目越来越多,贝叶斯分类的效果会更加好。我们想采用的分类方法是通过多个词来判断是否为垃圾邮件,但这个概率难以估计,通过贝叶斯公式,可以转化为求垃圾邮件中这些词出现的概率。二、贝叶斯公式贝叶斯定理 由英国数学家贝叶斯 ( Thomas Bayes 1702-1761 ) 发展,用来描述两个条件 概率 之间的关系

已知两个独立事件A和B,事件B发生的前提下,事件A发生的概率可以表示为P(A|B),即上图中橙色部分占红色部分的比例,即:

推荐整理分享机器学习--使用朴素贝叶斯进行垃圾邮件分类,希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:,内容如对您有帮助,希望把文章链接给更多的朋友!

P(A) 称为”先验概率”,即在B事件发生之前,我们对A事件概率的一个判断。如:正常收到一封邮件,该邮件为垃圾邮件的概率就是“先验概率”P(A|B)称为”后验概率”, 即在B事件发生之后,我们对A事件概率的重新评估。如:邮件中含有“中奖”这个词,该邮件为垃圾邮件的概率就是“后验概率”P(B|A)/P(B)是可能性函数,这是一个调整因子,使得预估概率更接近真实概率。条件概率就是:后验概率 = 先验概率 x 调整因子因为要计算两次概率,关于它们的分母,是这个样本的属性在全部样本中的概率。而这两次计算,它们的分母是不变的,所以我们只要计算分子就行。于是有了下面的结论:即:

        朴素贝叶斯分类器(Naïve Bayes Classifier)采用了“属性条件独立性假设”,即每个属性独立地对分类结果发生影响。为方便公式标记,不妨记P(C=c|X=x)为P(c|x)。在假设每个属性都独立的情况下,贝叶斯公式可以修改为:分母是相同的,于是去掉分母,得:

最终我们利用这个公式,在代码中实现概率的计算来对样本进行分类。三、使用朴素贝叶斯进行垃圾邮件分类1.算法思路分类标准:当 P(垃圾邮件|文字内容)> P(正常邮件|文字内容)时,我们认为该邮件为垃圾邮件,但是单凭单个词而做出判断误差肯定相当大,因此我们可以将所有的词一起进行联合判断。假设我们进行判断的词语有“获奖”、“贷款”、“无利息”,则需要判断P(垃圾邮件|获奖,贷款,无利息)与P(正常|获奖,贷款,无利息),使用贝叶斯公式,P(垃圾邮件|获奖,贷款,无利息)可以变为:

假设所有词语独立同分布,可以得到机器学习--使用朴素贝叶斯进行垃圾邮件分类

同理可得P(正常|获奖,贷款,无利息)因此,对P(垃圾邮件|获奖,贷款,无利息)与P(正常|获奖,贷款,无利息)的比较,只需要对分子进行对比。但是如果对多个词的P(内容|正常/垃圾)进行相乘时,可能会因为某个词的概率很小从而导致最后的结果为0(超出计算机的精度),因此可以对P(内容|正常/垃圾)取自然对数,即ln P(内容|正常/垃圾)。因此可以变为

 

2.数据集准备数据来源于国外的一些垃圾邮件和正常邮件

   

        其中ham是正常邮件,spam是垃圾邮件。 3.数据导入import osimport reimport stringimport mathDATA_DIR = 'enron'target_names = ['ham', 'spam']def get_data(DATA_DIR): subfolders = ['enron%d' % i for i in range(1,7)] #获得enron下面的文件夹 data = [] target = [] for subfolder in subfolders: #垃圾邮件 spam spam_files = os.listdir(os.path.join(DATA_DIR, subfolder, 'spam')) #将文件夹路径进行组合 for spam_file in spam_files: #遍历所有垃圾文件 with open(os.path.join(DATA_DIR, subfolder, 'spam', spam_file), encoding="latin-1") as f: data.append(f.read()) target.append(1) #正常邮件 pam ham_files = os.listdir(os.path.join(DATA_DIR, subfolder, 'ham')) for ham_file in ham_files: with open(os.path.join(DATA_DIR, subfolder, 'ham', ham_file), encoding="latin-1") as f: data.append(f.read()) target.append(0) return data, targetX, y = get_data(DATA_DIR)#print(X,y)邮件内容存储在data中,标签存储在target当中,“1”表示为垃圾邮件,“0”表示为正常邮件。下图为截取部分结果。

4.分析数据并进行算法训练定义一个类对数据进行预处理class SpamDetector_1(object): #清除空格 def clean(self, s): translator = str.maketrans("", "", string.punctuation) return s.translate(translator) #分开每个单词 def tokenize(self, text): text = self.clean(text).lower() return re.split("\W+", text) #计算某个单词出现的次数 def get_word_counts(self, words): word_counts = {} for word in words: word_counts[word] = word_counts.get(word, 0.0) + 1.0 return word_counts计算P(垃圾邮件)和P(正常邮件);词汇表(即正常邮件和垃圾邮件中出现的所有单词,方便进行拉普拉斯平滑);垃圾邮件和非垃圾邮件的词频,即给定词在垃圾邮件和非垃圾邮件中出现的次数。选取了第100封之后的邮件作为训练集,前面一百封邮件作为测试集。class SpamDetector_2(SpamDetector_1): # X:data,Y:target标签(垃圾邮件或正常邮件) def fit(self, X, Y): self.num_messages = {} self.log_class_priors = {} self.word_counts = {} # 建立一个集合存储所有出现的单词 self.vocab = set() # 统计spam和ham邮件的个数 self.num_messages['spam'] = sum(1 for label in Y if label == 1) self.num_messages['ham'] = sum(1 for label in Y if label == 0) # 计算先验概率,即所有的邮件中,垃圾邮件和正常邮件所占的比例 self.log_class_priors['spam'] = math.log( self.num_messages['spam'] / (self.num_messages['spam'] + self.num_messages['ham'])) self.log_class_priors['ham'] = math.log( self.num_messages['ham'] / (self.num_messages['spam'] + self.num_messages['ham'])) self.word_counts['spam'] = {} self.word_counts['ham'] = {} for x, y in zip(X, Y): c = 'spam' if y == 1 else 'ham' # 构建一个字典存储单封邮件中的单词以及其个数 counts = self.get_word_counts(self.tokenize(x)) for word, count in counts.items(): if word not in self.vocab: self.vocab.add(word)#确保self.vocab中含有所有邮件中的单词 # 下面语句是为了计算垃圾邮件和非垃圾邮件的词频,即给定词在垃圾邮件和非垃圾邮件中出现的次数。 # c是0或1,垃圾邮件的标签 if word not in self.word_counts[c]: self.word_counts[c][word] = 0.0 self.word_counts[c][word] += countMNB = SpamDetector_2()MNB.fit(X[100:], y[100:])5.测试算法 对测试集进行测试,判断是垃圾邮件还是正常邮件,并计算出准确度class SpamDetector(SpamDetector_2): def predict(self, X): result = [] flag_1 = 0 # 遍历所有的测试集 for x in X: counts = self.get_word_counts(self.tokenize(x)) # 生成可以记录单词以及该单词出现的次数的字典 spam_score = 0 ham_score = 0 flag_2 = 0 for word, _ in counts.items(): if word not in self.vocab: continue #下面计算P(内容|垃圾邮件)和P(内容|正常邮件),所有的单词都要进行拉普拉斯平滑 else: # 该单词存在于正常邮件的训练集和垃圾邮件的训练集当中 if word in self.word_counts['spam'].keys() and word in self.word_counts['ham'].keys(): log_w_given_spam = math.log( (self.word_counts['spam'][word] + 1) / (sum(self.word_counts['spam'].values()) + len(self.vocab))) log_w_given_ham = math.log( (self.word_counts['ham'][word] + 1) / (sum(self.word_counts['ham'].values()) + len( self.vocab))) # 该单词存在于垃圾邮件的训练集当中,但不存在于正常邮件的训练集当中 if word in self.word_counts['spam'].keys() and word not in self.word_counts['ham'].keys(): log_w_given_spam = math.log( (self.word_counts['spam'][word] + 1) / (sum(self.word_counts['spam'].values()) + len(self.vocab))) log_w_given_ham = math.log( 1 / (sum(self.word_counts['ham'].values()) + len( self.vocab))) # 该单词存在于正常邮件的训练集当中,但不存在于垃圾邮件的训练集当中 if word not in self.word_counts['spam'].keys() and word in self.word_counts['ham'].keys(): log_w_given_spam = math.log( 1 / (sum(self.word_counts['spam'].values()) + len(self.vocab))) log_w_given_ham = math.log( (self.word_counts['ham'][word] + 1) / (sum(self.word_counts['ham'].values()) + len( self.vocab))) # 把计算到的P(内容|垃圾邮件)和P(内容|正常邮件)加起来 spam_score += log_w_given_spam ham_score += log_w_given_ham flag_2 += 1 # 最后,还要把先验加上去,即P(垃圾邮件)和P(正常邮件) spam_score += self.log_class_priors['spam'] ham_score += self.log_class_priors['ham'] # 最后进行预测,如果spam_score > ham_score则标志为1,即垃圾邮件 if spam_score > ham_score: result.append(1) else: result.append(0) flag_1 += 1 return resultMNB = SpamDetector()MNB.fit(X[100:], y[100:])pred = MNB.predict(X[:100])true = y[:100]accuracy = 0for i in range(100): if pred[i] == true[i]: accuracy += 1print(accuracy) 最后得到准确率为99%

本文链接地址:https://www.jiuchutong.com/zhishi/298743.html 转载请保留说明!

上一篇:普通二本,去过阿里外包,到现在年薪40W+的高级测试工程师,我的两年转行心酸经历...(考到二本)

下一篇:vue系列(三)——手把手教你搭建一个vue3管理后台基础模板(vue系列教程)

  • 网络营销推广 企业微博营销怎样定位?(网络营销推广的渠道有哪些)

    网络营销推广 企业微博营销怎样定位?(网络营销推广的渠道有哪些)

  • 喜欢自己是件很重要的事情(喜欢自己的都是自己不喜欢的)

    喜欢自己是件很重要的事情(喜欢自己的都是自己不喜欢的)

  • 米兔手表如何恢复出厂设置(米兔手表如何恢复)

    米兔手表如何恢复出厂设置(米兔手表如何恢复)

  • 抖音为什么没有通讯录的所有用户(抖音为什么没有微信支付方式选项)

    抖音为什么没有通讯录的所有用户(抖音为什么没有微信支付方式选项)

  • edge支持es6吗(edge es6)

    edge支持es6吗(edge es6)

  • 一个光猫接两个路由器怎么设置(一个光猫接两个路由器怎么接图片)

    一个光猫接两个路由器怎么设置(一个光猫接两个路由器怎么接图片)

  • 华为备份的照片在哪里(华为备份的照片怎么查看)

    华为备份的照片在哪里(华为备份的照片怎么查看)

  • 小米蓝牙怎么调双耳模式(小米蓝牙怎么调节音量)

    小米蓝牙怎么调双耳模式(小米蓝牙怎么调节音量)

  • 微信黑名单删除之后为什么一直添加不了(微信黑名单删除不了怎么办?)

    微信黑名单删除之后为什么一直添加不了(微信黑名单删除不了怎么办?)

  • 手机钉钉最小化播放可以算时间吗(钉钉如何最小化手机)

    手机钉钉最小化播放可以算时间吗(钉钉如何最小化手机)

  • 手机上显示耳机状态没有声音(手机上显示耳机标志没声音怎么办)

    手机上显示耳机状态没有声音(手机上显示耳机标志没声音怎么办)

  • 移动光信号灯一直闪红灯(移动光信号灯一直闪红灯自己能恢复吗)

    移动光信号灯一直闪红灯(移动光信号灯一直闪红灯自己能恢复吗)

  • iphone11有128g的吗(iphone11有128g的嘛)

    iphone11有128g的吗(iphone11有128g的嘛)

  • 抖音未满18岁能直播吗(抖音未满18岁能注册吗)

    抖音未满18岁能直播吗(抖音未满18岁能注册吗)

  • ipad出现一个框怎么取消(ipad出现一个框 点击不了)

    ipad出现一个框怎么取消(ipad出现一个框 点击不了)

  • PS怎么画阴影(ps怎么画阴影区域)

    PS怎么画阴影(ps怎么画阴影区域)

  • 微信解绑手机号之后还可以登录吗(微信解绑手机号后还可以正常使用吗)

    微信解绑手机号之后还可以登录吗(微信解绑手机号后还可以正常使用吗)

  • 手机流量信号差怎么办(手机流量信号差和手机有关吗)

    手机流量信号差怎么办(手机流量信号差和手机有关吗)

  • 苹果耳机上一曲怎么按(苹果耳机上一曲怎么操作)

    苹果耳机上一曲怎么按(苹果耳机上一曲怎么操作)

  • 建设一套电销呼叫中心系统需要多少钱?

    建设一套电销呼叫中心系统需要多少钱?

  • 华为m5青春版键盘怎么使用(华为m5青春版键盘怎么用)

    华为m5青春版键盘怎么使用(华为m5青春版键盘怎么用)

  • 新网的云主机和云虚机的区别(新网的云主机和什么连接)

    新网的云主机和云虚机的区别(新网的云主机和什么连接)

  • Yolov5实例分割Tensorrt部署实战(yolov5实例分割原理详解)

    Yolov5实例分割Tensorrt部署实战(yolov5实例分割原理详解)

  • 补做前几年税审对报税税务评级有什么影响?
  • 计税基础怎么算
  • 调减加计抵减额会计分录
  • 承兑汇票私人贴现要多久
  • 银行对账单由谁去取
  • 暂缓收缴工会经费的请示
  • 库存现金怎么登记账簿
  • 小规模和纳税人一般怎么选择
  • 广告制作税目
  • 补提上年度所得税影响本年所得税吗
  • 什么叫税控盘清卡
  • 购入库存商品未付款怎么做账
  • 个体工商户个人所得税怎么申报
  • 开房屋租金发票需要带什么资料
  • 房地产预售房收入如何缴纳增值税
  • 捐款怎样抵扣个税
  • 投资款打到个人账户算诈骗吗
  • 出口退税可以用电子专用发票吗
  • 对子公司进行增资
  • 环境保护税法什么时候出台
  • 计算本月生产成本怎么算
  • 合理损耗算入账价值吗
  • 旧房转让土地增值税核定
  • 未提完折旧的固定资产重新评估后是否还计提折旧
  • 公司成本和费用过高怎么办
  • 卫生防疫站调拨是什么意思
  • 企业停产没有收入,费用可以计入长期待摊费用吗
  • 生产工人工资和福利费是产品成本项目
  • 电脑玩网络游戏一小时多少流量
  • 企业不得抵扣进项税
  • u盘做的启动盘在哪里
  • 支付货款的流程
  • 小规模企业有收入吗
  • 职工医疗保险补交6万与交居民每交300哪个合算?
  • 最轻薄数码相机
  • 利息费用可扣除什么
  • 包装物逾期是什么意思
  • vite config
  • PHP:mcrypt_get_iv_size()的用法_Mcrypt函数
  • 小微企业应纳税所得额300万所得税
  • 企业收取租金的未开具发票的怎么计算税款
  • 心形岛屿叫什么名字
  • 有限公司股权转让的规定最新
  • 直接费用的定义
  • nodejs安装及环境配置vue
  • 应收的货款
  • 电子发票怎么清盘操作流程
  • 小规模纳税人税率2023年是多少
  • 小企业会计准则主要按照什么计量
  • 社保由税局代收马上开始
  • 城建税和教育附加税怎么算
  • 折旧啥意思
  • 什么叫查账征收和核定征收
  • 自产商品对外赠送
  • 金税盘入什么科目
  • 补交增值税和滞纳金怎么入账
  • 不动产计提折旧时间
  • 企业的其他应付款增加了说明什么
  • 公司账户多少钱保证公司运转
  • 什么是中型企业
  • 进口材料是什么意思
  • 收到赠送的东西,并给员工自用,怎么做账
  • 平均增长率计算公式怎么算
  • 自产产品赠送会计处理
  • sql中nullif
  • win8.1应用
  • ie8 开发者工具
  • win10安装完成后需要做哪些设置
  • linux 清理
  • win10家庭版系统怎么样
  • 可用分区az
  • 低端显卡n卡设置
  • nodejs发送图片给前端
  • sdk官方网站
  • javascript 触发事件列表 比较不错
  • javascript程序设计教程
  • 使用SQLite数据库保存和处理数据
  • 江苏差旅费报销管理规定2021
  • 税务备案表银行留存
  • 出版社税费多少
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设