朴素贝叶斯算法实现垃圾邮件过滤
朴素贝叶斯算法实现垃圾邮件过滤
1．1 题目的主要研究内容
该系统作为一种基于统计学的方法，在邮件处理中应用贝叶斯分类进行垃圾邮件的分类识别。
（2）贝叶斯分类的工作原理在于利用标记（通常是字词或术语，在某些情况下则是其他类型的标识符）与垃圾邮件和非垃圾邮件之间的联系，并结合贝叶斯推断方法来评估一封电子邮件被判定为垃圾邮件的概率。
1．2 题目研究的工作基础或实验条件
（1）硬件环境
处理器：Intel(R) Core(TM) i5-7300HQ CPU @ 2.50GHz 2.50 GHz
显卡：英伟达1050
系统类型：64位操作系统, 基于x64的处理器
（2）软件环境
操作系统：Windows10操作系统
开发语言：Python
1．3 设计思想
对于给定的待分类项，在其出现的情况下计算各个类别出现的概率P(类|特征)，当哪一个概率值最大时，则判定该待分类项属于哪一个类别。
1．4 流程图
1．5 主要程序代码
-- coding: UTF-8 --
import numpy as np
import re
import random
"""
函数说明:用于对实验样本词条进行分类处理, 生成唯一的词条索引, 即构成词汇表的核心内容。
Parameters:
dataSet - 整理的样本数据集
Returns:
vocabSet - 返回不重复的词条列表，也就是词汇表
"""
def createVocabList(dataSet):
vocabSet = set([]) # 创建一个空的不重复列表
for document in dataSet:
vocabSet = vocabSet | set(document) # 取并集
return list(vocabSet)
"""
函数定义:基于词汇表 vocabList, 将输入集 inputSet 转化为向量, 其每个元素取值为1或0
Parameters:
vocabList - createVocabList返回的列表
inputSet - 切分的词条列表
Returns:
returnVec - 文档向量,词集模型
"""
def setOfWords2Vec(vocabList, inputSet):
returnVec = [0] * len(vocabList) #创建一个其中所含元素都为0的向量
for word in inputSet: #遍历每个词条
if word in vocabList: #如果词条存在于词汇表中，则置1
returnVec[vocabList.index(word)] = 1
else:
print("the word: %s is not in my Vocabulary!" % word)
return returnVec #返回文档向量
"""
函数说明:根据vocabList词汇表，构建词袋模型
Parameters:
vocabList - createVocabList返回的列表
inputSet - 切分的词条列表
Returns:
returnVec - 文档向量,词袋模型
"""
def bagOfWords2VecMN(vocabList, inputSet):
returnVec = [0] * len(vocabList) # 创建一个其中所含元素都为0的向量
for word in inputSet: # 遍历每个词条
if word in vocabList: # 如果词条存在于词汇表中，则计数加一
returnVec[vocabList.index(word)] += 1
return returnVec # 返回词袋模型
"""
函数说明:朴素贝叶斯分类器训练函数
Parameters:
trainMatrix表示训练文档矩阵，其由setOfWords2Vec生成的所有returnVec构建而成。
trainCategory - 训练类别标签向量，即loadDataSet返回的classVec
Returns:
p0Vect - 正常邮件类的条件概率数组
p1Vect - 垃圾邮件类的条件概率数组
pAbusive - 文档属于垃圾邮件类的概率
"""
def trainNB0(trainMatrix, trainCategory):
numTrainDocs = len(trainMatrix) # 计算训练的文档数目
numWords = len(trainMatrix[0]) # 计算每篇文档的词条数
pGHam = Σ trainingCategories / N_training（总数） : 表示文档属于垃圾邮件类的概率
p0Num = np.ones(numWords)
p1Num = np.ones(numWords) # 使用numpy库生成一个一维数组，并将每个元素初始化为1以实现拉普拉斯平滑
p0Denom = 2.0
p1Denom = 2.0 # 分母初始化为2 ,拉普拉斯平滑
for i in range(numTrainDocs):
if trainCategory[i] == 1: # 统计属于侮辱类的条件概率所需的数据，即P(w0|1),P(w1|1),P(w2|1)···
p1Num += trainMatrix[i]
p1Denom += sum(trainMatrix[i])
else: # 统计属于非侮辱类的条件概率所需的数据，即P(w0|0),P(w1|0),P(w2|0)···
p0Num += trainMatrix[i]
p0Denom += sum(trainMatrix[i])
p1Vect = np.log(p1Num / p1Denom)
p0Vect = np.log(p0Num / p0Denom) #取对数，防止下溢出
函数返回值包含三个条件概率数组：分别为正常邮件和侮辱垃圾邮件类别各自的条件概率分布；此外还计算了给定文档是否为垃圾邮件的概率
"""
函数说明:朴素贝叶斯分类器分类函数
Parameters:
vec2Classify - 待分类的词条数组
p0Vec - 正常邮件类的条件概率数组
p1Vec - 垃圾邮件类的条件概率数组
pClass1 - 文档属于垃圾邮件的概率
Returns:
0 - 属于正常邮件类
1 - 属于垃圾邮件类
"""
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
#p1 = reduce(lambda x, y: x * y, vec2Classify * p1Vec) * pClass1 # 对应元素相乘
#p0 = reduce(lambda x, y: x * y, vec2Classify * p0Vec) * (1.0 - pClass1)
p1=sum(vec2Classify*p1Vec)+np.log(pClass1)
p0=sum(vec2Classify*p0Vec)+np.log(1.0-pClass1)
if p1 > p0:
return 1
else:
return 0
"""
函数说明:接收一个大字符串并将其解析为字符串列表
"""
def textParse(bigString): # 将字符串转换为字符列表
listOfTokens = re.split(r'\W*', bigString) # 使用特殊字符作为分隔符来进行字符串分割仅指代非字母和非数字字符
该列表生成式返回所有字符长度超过两位的单词的小写形式...具体而言：
- 当遍历到每个字符（tok）时
- 如果其长度大于二则将其转换为小写字母
- 并将结果收集到新的列表中
# 仅排除长度为一的个别字符
如大写字母I等个别案例会保持原有大小写状态
其余所有字符则统一转为小写字母
"""
函数说明:测试朴素贝叶斯分类器，使用朴素贝叶斯进行交叉验证
"""
def spamTest():
docList = []
classList = []
fullText = []
for i in range(1, 26): # 遍历25个txt文件
wordList被赋值为textParse函数处理的结果
docList.append(wordList)
fullText.append(wordList)
classList.append(1) # 标记垃圾邮件，1表示垃圾文件
wordList = textParse(open('email/ham/%d.txt' % i, 'r').read()) # 被读取为字符串的非垃圾邮件列表，并被转换为字符列表
docList.append(wordList)
fullText.append(wordList)
classList.append(0) # 标记正常邮件，0表示正常文件
vocabList = createVocabList(docList) # 创建词汇表，不重复
trainingSet = list(range(50))
testSet = [] # 创建存储训练集的索引值的列表和测试集的索引值的列表
for i in range(10): # 从50个邮件中，随机挑选出40个作为训练集,10个做测试集
randIndex = int(random.uniform(0, len(trainingSet))) # 随机选取索索引值
testSet.append(trainingSet[randIndex]) # 添加测试集的索引值
从训练集中删除对应的索引位置。
trainMat = []
trainClasses = [] # 创建训练集矩阵和训练集类别标签系向量
for docIndex in trainingSet: # 遍历训练集
在训练矩阵中整合了由词汇向量转换函数生成的词集模型。
trainClasses.insert(classList[docIndex], "用于将分类器索引插入训练集的分类器标签系统中")
p0V, p1V, pSpam = trainNB0(np.array(trainMat), np.array(trainClasses)) # 使用朴素贝叶斯算法训练分类器
errorCount = 0 # 错误分类计数
for docIndex in testSet: # 遍历测试集
wordVector = word_to_vec(vocabulary, docList[docIndex]) # 测试数据集的词袋模型
当使用Naive Bayes进行分类时（调用函数classifyNB），输入参数分别为numpy数组wordVector、p0V、p1V以及pSpam变量时（即当计算结果与classList[docIndex]不相等时），表明分类过程出现了错误。
errorCount += 1 # 错误计数加1
print("分类错误的测试集：", docList[docIndex])
print('错误率：%.2f%%' % (float(errorCount) / len(testSet) * 100))
if name == 'main':
spamTest()
1．6 运行结果及分析
基于随机选取的样本...的情况下进行实验分析，并重复执行该过程10次后计算平均值以提高准确性。需要注意的是，在实际应用中可能会出现将垃圾邮件误判为正常邮件的情况发生；而这种情况的发生概率低于将正常邮件误判为垃圾邮件的概率。