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)

  • 那些家喻户晓的品牌为何还要拼命投广告?(那些家喻户晓的孩子)

    那些家喻户晓的品牌为何还要拼命投广告?(那些家喻户晓的孩子)

  • 荣耀手机怎么添加桌面天气和时间(荣耀手机怎么添加小工具)

    荣耀手机怎么添加桌面天气和时间(荣耀手机怎么添加小工具)

  • word画笔在哪(word画笔在哪wps)

    word画笔在哪(word画笔在哪wps)

  • 苹果底部横条怎么设置(苹果底部横条怎么去除不用辅助功能可以去掉么)

    苹果底部横条怎么设置(苹果底部横条怎么去除不用辅助功能可以去掉么)

  • 手机中的压缩包可以删除吗(手机中的压缩包有用吗可以删除吗)

    手机中的压缩包可以删除吗(手机中的压缩包有用吗可以删除吗)

  • mate30防水到什么程度呢(华为mate30防水不?)

    mate30防水到什么程度呢(华为mate30防水不?)

  • 荣耀x10max安兔兔跑分是多少(荣耀10x 安兔兔)

    荣耀x10max安兔兔跑分是多少(荣耀10x 安兔兔)

  • 华为触控笔怎么用(华为触控笔怎么查真伪)

    华为触控笔怎么用(华为触控笔怎么查真伪)

  • 快手注销的第三个条件什么意思(快手注销三天内能找回来吗)

    快手注销的第三个条件什么意思(快手注销三天内能找回来吗)

  • 苹果手机qq消息收不到提示(苹果手机qq消息提示音怎么设置)

    苹果手机qq消息收不到提示(苹果手机qq消息提示音怎么设置)

  • 蓝牙耳机一直闪红灯是怎么回事(蓝牙耳机一直闪灯是什么情况)

    蓝牙耳机一直闪红灯是怎么回事(蓝牙耳机一直闪灯是什么情况)

  • qq小海螺怎么获得(qq标识小海螺是什么意思)

    qq小海螺怎么获得(qq标识小海螺是什么意思)

  • 电脑选择快捷键是什么(电脑选择快捷键部分选择)

    电脑选择快捷键是什么(电脑选择快捷键部分选择)

  • 手机充不进电怎么解决(手机充不进电怎么办小米)

    手机充不进电怎么解决(手机充不进电怎么办小米)

  • mate30pro多大屏(华为mate30pro屏幕多大的)

    mate30pro多大屏(华为mate30pro屏幕多大的)

  • iphone锁屏密码可以输错几次(iPhone锁屏密码可以六位数吗)

    iphone锁屏密码可以输错几次(iPhone锁屏密码可以六位数吗)

  • 微博里下载的app怎么删除(微博下载的app安装包在哪)

    微博里下载的app怎么删除(微博下载的app安装包在哪)

  • 怎么样使用传真机(怎么样使用传真手机)

    怎么样使用传真机(怎么样使用传真手机)

  • wps怎么删除表格部分行(wps怎么删除表格里面的线)

    wps怎么删除表格部分行(wps怎么删除表格里面的线)

  • 荣耀10支持40w快充吗(荣耀支持40w快充的型号)

    荣耀10支持40w快充吗(荣耀支持40w快充的型号)

  • 添加蜂窝移动号码什么意思(添加蜂窝移动号怎么取消)

    添加蜂窝移动号码什么意思(添加蜂窝移动号怎么取消)

  • 电脑系统正版和盗版的区别(电脑系统正版和盗版打游戏有区别吗)

    电脑系统正版和盗版的区别(电脑系统正版和盗版打游戏有区别吗)

  • ES6笔记————let,箭头函数,剩余参数(es6从入门到实战)

    ES6笔记————let,箭头函数,剩余参数(es6从入门到实战)

  • phpcmsv9怎样判断登录(如何测试php)

    phpcmsv9怎样判断登录(如何测试php)

  • 个人所得税应如何缴纳
  • 净值型理财投资范围
  • 企业注销库存怎么做账务处理
  • 景点门票可以做账吗
  • 异地预缴怎么做账
  • 开具红字发票的当月就要进项税额转出吗
  • 领取营业执照后30天内没做税务登记
  • 管理部门社保入哪个科目
  • 餐饮发票个人抬头怎么写
  • 专家咨询费个人所得税怎么计算
  • 房地产企业开发间接费用包括哪些
  • 其他流动资产待抵扣进项税额
  • 税控盘未按时抄报处罚
  • 高新企业如何结转成本
  • 虚开发票企业所得税怎么补缴税?
  • 我的初级备考经历怎么写
  • 应付账款周转次数公式的理解
  • 购销合同印花税怎么算
  • 砂石加工行业交什么税
  • 技术服务发票税率 5% 小规模
  • 公司的净资产怎么看
  • 残疾人就业保障金
  • 母公司代付子公司费用的委托书
  • 农贸市场可以收什么的费
  • 企业对外捐赠现金的会计处理
  • win11正式版好用吗
  • 生产企业销售给其他单位的生产工具
  • 如何在excel中制作柱状图
  • ccc.exe是什么进程
  • 代购机票骗局
  • 销售固定资产利润率
  • 甲供材料增值税
  • 什么情况下可以土葬
  • 爱德华王子岛的气候
  • thinkphp yii
  • nvidia-smi failed to initialize
  • wordpress shortcode
  • 百度地图api的使用
  • php十进制转二进制算法
  • 如何用java写接口
  • 异地提供建筑服务预缴企业所得税
  • vue实现动态菜单权限配置
  • php执行系统命令函数
  • 税局通知纳税人的短信
  • 连带责任担保会被拘留吗
  • 免税农产品包括30万元吗
  • mongodb 安装
  • 小微企业买商品房怎么买
  • 征税小规模纳税申报
  • 补发以前年度工资怎么做账
  • 购买原材料没有发票能入库吗
  • 商标权属于什么科目
  • 收到银行回单如何打印
  • 专项应付款能转出吗
  • 存货管理的类型
  • 土地使用税为什么要交
  • 免予缴纳增值税
  • 小规模开专票的税点是多少
  • 应收票据背书转让不终止确认如何记账
  • 销售费用的定义是什么意思
  • 上市公司固定资产增加是好事吗
  • 企业要建账需留什么资料
  • 松散索引和紧凑索引
  • sql server自定义类型怎么写入备机
  • windowsxp不能启动怎么修复
  • 还原windows是什么意思
  • 查找临时文件的命令
  • 分布式队列秒杀活动
  • win8隐藏的文件夹怎么找出来
  • cocos2dx入门
  • unity2018地形
  • Android 水平居中
  • 深入学习习总书记系列讲话精神
  • window.parent与window.openner区别介绍
  • linux shell实战
  • python怎么用的
  • 国家对高校食堂的最新管理规定
  • 公允价值变动损益属于什么科目
  • 大同地税局地址
  • 房山税收减免政策文件
  • 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