朴素贝叶斯算法实现垃圾邮件过滤（Python3实现）

1、朴素贝叶斯实现垃圾邮件分类的步骤

2、邮件数据

3、代码实现

4、朴素贝叶斯的优点和缺点

1、朴素贝叶斯实现垃圾邮件分类的步骤

（1）收集数据：提供文本文件。

（2）准备数据：将文本文件解析成词条向量。

（3）分析数据：检查词条确保解析的正确性。

（4）训练算法：计算不同的独立特征的条件概率。

（5）测试算法：计算错误率。

（6）使用算法：构建一个完整的程序对一组文档进行分类。

2、邮件数据

email文件夹下有两个文件夹ham和spam。ham文件夹下的txt文件为正常邮件；spam文件下的txt文件为垃圾邮件。

3、代码实现

# -*- coding: UTF-8 -*-
import numpy as np
import re
import random"""
函数说明:将切分的实验样本词条整理成不重复的词条列表，也就是词汇表
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)"""
函数说明:根据vocabList词汇表，将inputSet向量化，向量的每个元素为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1returnVec[vocabList.index(word)] = 1else: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)] += 1return 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 - 训练文档矩阵，即setOfWords2Vec返回的returnVec构成的矩阵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pAbusive = sum(trainCategory) / float(numTrainDocs)  # 文档属于垃圾邮件类的概率p0Num = np.ones(numWords)p1Num = np.ones(numWords)  # 创建numpy.ones数组,词条出现数初始化为1,拉普拉斯平滑p0Denom = 2.0p1Denom = 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return p0Vect, p1Vect, pAbusive  # 返回属于正常邮件类的条件概率数组，属于侮辱垃圾邮件类的条件概率数组，文档属于垃圾邮件类的概率"""
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 1else: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)  # 将特殊符号作为切分标志进行字符串切分，即非字母、非数字return [tok.lower() for tok in listOfTokens if len(tok) > 2]  # 除了单个字母，例如大写的I，其它单词变成小写"""
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 = textParse(open('email/spam/%d.txt' % i, 'r').read())  # 读取每个垃圾邮件，并字符串转换成字符串列表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())  # 读取每个非垃圾邮件，并字符串转换成字符串列表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del (trainingSet[randIndex])  # 在训练集列表中删除添加到测试集的索引值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trainMat.append(setOfWords2Vec(vocabList, docList[docIndex]))  # 将生成的词集模型添加到训练矩阵中trainClasses.append(classList[docIndex])  # 将类别添加到训练集类别标签系向量中p0V, p1V, pSpam = trainNB0(np.array(trainMat), np.array(trainClasses))  # 训练朴素贝叶斯模型errorCount = 0  # 错误分类计数for docIndex in testSet:  # 遍历测试集wordVector = setOfWords2Vec(vocabList, docList[docIndex])  # 测试集的词集模型if classifyNB(np.array(wordVector), p0V, p1V, pSpam) != classList[docIndex]:  # 如果分类错误errorCount += 1  # 错误计数加1print("分类错误的测试集：", docList[docIndex])print('错误率：%.2f%%' % (float(errorCount) / len(testSet) * 100))if __name__ == '__main__':spamTest()

运行结果

4、朴素贝叶斯的优点和缺点

优点：在数据较少的情况下仍然有效，可以处理多类别问题

缺点：对于输入数据的准备方式较为敏感；由于朴素贝叶斯的“朴素”特点，所以会带来一些准确率上的损失

注意：使用拉普拉斯平滑解决零概率问题；

对乘积结果取自然对数避免下溢出问题，采用自然对数进行处理不会有任何损失。

项目实战-朴素贝叶斯算法实现垃圾邮件过滤源码及数据集资源下载：

项目实战-朴素贝叶斯算法实现垃圾邮件过滤源码及数据集.zip-机器学习文档类资源-CSDN下载

项目实战-朴素贝叶斯算法实现新闻分类

项目实战-KNN算法实现手写数字识别

项目实战-KNN算法改进约会网站的配对效果

本人博文NLP学习内容目录：

一、NLP基础学习

1、NLP学习路线总结

2、TF-IDF算法介绍及实现

3、NLTK使用方法总结

4、英文自然语言预处理方法总结及实现

5、中文自然语言预处理方法总结及实现

6、NLP常见语言模型总结

7、NLP数据增强方法总结及实现

8、TextRank算法介绍及实现

9、NLP关键词提取方法总结及实现

10、NLP词向量和句向量方法总结及实现

11、NLP句子相似性方法总结及实现

12、NLP中文句法分析

二、NLP项目实战

1、项目实战-英文文本分类-电影评论情感判别

2、项目实战-中文文本分类-商品评论情感判别

3、项目实战-XGBoost与LightGBM文本分类

4、项目实战-TextCNN文本分类实战

5、项目实战-Bert文本分类实战

6、项目实战-NLP中文句子类型判别和分类实战

交流学习资料共享欢迎入群：955817470（群一），801295159（群二）