Python实现基于朴素贝叶斯的垃圾邮件分类
2016-04-20 15:09
555 查看
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:
P(s|w),w=(w1,w2,...,wn)
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,
P(s|w1,w2,...,wn)
=P(s,w1,w2,...,wn)P(w1,w2,...,wn)
=P(w1,w2,...,wn|s)P(s)P(w1,w2,...,wn)
=P(w1,w2,...,wn|s)P(s)P(w1,w2,...,wn|s)⋅p(s)+P(w1,w2,...,wn|s′)⋅p(s′)...式1
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:
=∏j=1nP(wj|s)∏j=1nP(wj|s)+∏j=1nP(wj|s′)
再利用贝叶斯P(wj|s)=P(s|wj)⋅P(wj)P(s),式子化为
=∏j=1nP(s|wj)∏j=1nP(s|wj)+∏j=1nP(s′|wj)
=∏j=1nP(s|wj)∏j=1nP(s|wj)+∏j=1n(1−P(s|wj))...式2
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。
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:
P(s|w),w=(w1,w2,...,wn)
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,
P(s|w1,w2,...,wn)
=P(s,w1,w2,...,wn)P(w1,w2,...,wn)
=P(w1,w2,...,wn|s)P(s)P(w1,w2,...,wn)
=P(w1,w2,...,wn|s)P(s)P(w1,w2,...,wn|s)⋅p(s)+P(w1,w2,...,wn|s′)⋅p(s′)...式1
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:
=∏j=1nP(wj|s)∏j=1nP(wj|s)+∏j=1nP(wj|s′)
再利用贝叶斯P(wj|s)=P(s|wj)⋅P(wj)P(s),式子化为
=∏j=1nP(s|wj)∏j=1nP(s|wj)+∏j=1nP(s′|wj)
=∏j=1nP(s|wj)∏j=1nP(s|wj)+∏j=1n(1−P(s|wj))...式2
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。
相关文章推荐
- Python动态类型的学习---引用的理解
- Python3写爬虫(四)多线程实现数据爬取
- 垃圾邮件过滤器 python简单实现
- 下载并遍历 names.txt 文件,输出长度最长的回文人名。
- install and upgrade scrapy
- Scrapy的架构介绍
- Centos6 编译安装Python
- 使用Python生成Excel格式的图片
- 让Python文件也可以当bat文件运行
- [Python]推算数独
- Python中zip()函数用法举例
- Python中map()函数浅析
- Python将excel导入到mysql中
- Python在CAM软件Genesis2000中的应用
- 使用Shiboken为C++和Qt库创建Python绑定
- FREEBASIC 编译可被python调用的dll函数示例
- Python 七步捉虫法