秒懂机器学习---朴素贝叶斯进行垃圾邮件分类实战

曾经终败给现在 2022-01-06 23:09 234阅读 0赞

# 秒懂机器学习---朴素贝叶斯进行垃圾邮件分类实战 #

## 一、总结 ##

### 一句话总结： ###

##### 没必要一次学很多个算法，不然，其实真的一个也不懂，要一个一个搞懂了再往下学 #####

##### 如何讲解这个问题：实例+人话：朴素贝叶斯（ P(结果|关键词1,关键词2...) = P(关键词1,关键词2...|结果)\*P(结果)/P(关键词1,关键词2...)） #####

##### 怎么继续学习这个算法：写一个既简单数据量极少的程序出来，由浅入深 #####

### 1、停词表是什么？ ###

##### 会自动过滤掉某些字或词：比如标点符号，比如虚词 #####

停用词是指在信息检索中，为节省存储空间和提高搜索效率，在处理自然语言数据（或文本）之前或之后会自动过滤掉某些字或词，这些字或词即被称为Stop Words（停用词）。这些停用词都是人工输入、非自动化生成的，生成后的停用词会形成一个停用词表。但是，并没有一个明确的停用词表能够适用于所有的工具。甚至有一些工具是明确地避免使用停用词来支持短语搜索的。

### 2、python中列表应用实例？ ###

##### stopList=\[\]：定义 #####

##### stopList.append(line\[:len(line)-1\])：追加 #####

#获得停用词表
    def getStopWords(self):
      stopList=[]
      for line in open("../data/China_stop_word.txt"):
          stopList.append(line[:len(line)-1])
      return stopList;

### 3、python中for语句循环的语法是什么？ ###

##### for in：for <variable> in <sequence>:：for line in open("../data/China\_stop\_word.txt"): #####

### 4、python的jieba包是干嘛的？ ###

##### 分词模块：词云技术遍地都是，分词模块除了jieba也有很多 #####

### 5、分词模块包一般有哪些分词模式（比如python的jieba包分'我想和女朋友一起去北京天安门闲逛。。'）？ ###

##### 精确模式：jieba.cut(s)：词只分一次：我,想,和,女朋友,一起,去,北京,天安门,闲逛,。,。 #####

##### 全模式：jieba.cut(s,cut\_all = True)：尽量将所有的词拿出来：我,想,和,女朋友,朋友,一起,去,北京,天安,天安门,闲逛,,, #####

##### 搜索引擎模式：jieba.cut\_for\_search(s)：我,想,和,朋友,女朋友,一起,去,北京,天安,天安门,闲逛,。,。 #####

### 6、如何过滤掉非中文字符？ ###

##### rule=re.compile(r"\[^\\u4e00-\\u9fa5\]") #####

### 7、P(x'|c)=P((sunny,cool,high,strong)|yes)这句话是什么意思？ ###

##### 给定了结果是yes的情况，sunny,cool,high,strong分别占各自总数的多少 #####

### 8、朴素贝叶斯（ P(结果|关键词1,关键词2...) = P(关键词1,关键词2...|结果)\*P(结果)/P(关键词1,关键词2...)）公式怎么解释？ ###

##### P(结果|关键词1,关键词2...)：表示根据 关键词1,关键词2... 判断邮件在什么分类：比如一封邮件拥有这些关键词，你要判断它是不是垃圾邮件 #####

##### P(关键词1,关键词2...|结果)：表示 不同分类下 这些关键词(关键词1,关键词2...)出现的概率：比如关键词1在垃圾邮件中出现的概率为0.7 #####

##### P(结果)：不同分类在总结果中的概率：比如训练数据的垃圾邮件占总邮件的0.5 #####

### 9、用朴素贝叶斯（ P(结果|关键词1,关键词2) = P(关键词1,关键词2|结果)\*P(结果)/P(关键词1,关键词2)）做邮件分类的原理是什么？ ###

##### 搞懂这句话：P(结果|关键词1,关键词2) = P(关键词1,关键词2|结果)\*P(结果)/P(关键词1,关键词2) #####

##### 选最高频15个词：需要测试的邮件选最高频的15个词就够了 #####

### 10、朴素贝叶斯的这个概率P(关键词1,关键词2...|结果)的各个小概率之间是相加还是相乘？ ###

##### 相乘：肯定是相乘啊，因为这个条件是所有关键词都要包含，所以肯定是乘 #####

### 11、现在我要求新邮件是否为垃圾邮件，本质是求P(结果|关键词1,关键词2...)、P(关键词1,关键词2...|结果)中的哪一个？ ###

##### P(结果|关键词1,关键词2...) #####

### 12、用朴素贝叶斯（ P(结果|关键词1,关键词2) = P(关键词1,关键词2|结果)\*P(结果)/P(关键词1,关键词2)）做邮件分类的步骤分类？ ###

##### 获得正常邮件中的词频 和 获得垃圾邮件中的词频：P(关键词1,关键词2|结果) #####

##### 测试邮件：通过计算每个文件中p(s|w)来得到对分类影响最大的15个词：P(关键词1,关键词2|结果)\*P(结果) #####

##### 比较结果概率，选择结果：计算不同结果对应的 P(关键词1,关键词2|结果)\*P(结果)的大小 #####

## 二、内容在总结中 ##

### 1、相关知识 ###

### 2、代码 ###

spamEmail.py

#encoding=utf-8
    '''
    Created on 2018年3月11日
    
    @author: Fan Renyi
    '''
    import jieba;
    import os;
    class spamEmailBayes:
        #获得停用词表
        def getStopWords(self):
            stopList=[]
            for line in open("../data/China_stop_word.txt"):
                stopList.append(line[:len(line)-1])
            return stopList;
        #获得词典
        def get_word_list(self,content,wordsList,stopList):
            #分词结果放入res_list
            res_list = list(jieba.cut(content))
            for i in res_list:
                if i not in stopList and i.strip()!='' and i!=None:
                    if i not in wordsList:
                        wordsList.append(i)
                        
        #若列表中的词已在词典中，则加1，否则添加进去
        def addToDict(self,wordsList,wordsDict):
            for item in wordsList:
                if item in wordsDict.keys():
                    wordsDict[item]+=1
                else:
                    wordsDict.setdefault(item,1)
                                
        def get_File_List(self,filePath):
            filenames=os.listdir(filePath)
            return filenames
        
        #通过计算每个文件中p(s|w)来得到对分类影响最大的15个词
        def getTestWords(self,testDict,spamDict,normDict,normFilelen,spamFilelen):
            wordProbList={}
            for word,num  in testDict.items():
                if word in spamDict.keys() and word in normDict.keys():
                    #该文件中包含词个数
                    pw_s=spamDict[word]/spamFilelen
                    pw_n=normDict[word]/normFilelen
                    ps_w=pw_s/(pw_s+pw_n) 
                    wordProbList.setdefault(word,ps_w)
                if word in spamDict.keys() and word not in normDict.keys():
                    pw_s=spamDict[word]/spamFilelen
                    pw_n=0.01
                    ps_w=pw_s/(pw_s+pw_n) 
                    wordProbList.setdefault(word,ps_w)
                if word not in spamDict.keys() and word in normDict.keys():
                    pw_s=0.01
                    pw_n=normDict[word]/normFilelen
                    ps_w=pw_s/(pw_s+pw_n) 
                    wordProbList.setdefault(word,ps_w)
                if word not in spamDict.keys() and word not in normDict.keys():
                    #若该词不在脏词词典中，概率设为0.4
                    wordProbList.setdefault(word,0.47)
            sorted(wordProbList.items(),key=lambda d:d[1],reverse=True)[0:15]
            return (wordProbList)
        
        #计算贝叶斯概率
        def calBayes(self,wordList,spamdict,normdict):
            ps_w=1
            ps_n=1
             
            for word,prob in wordList.items() :
                print(word+"/"+str(prob))
                ps_w*=(prob)
                ps_n*=(1-prob)
            p=ps_w/(ps_w+ps_n)
    #         print(str(ps_w)+""+str(ps_n))
            return p        
    
        #计算预测结果正确率
        def calAccuracy(self,testResult):
            rightCount=0
            errorCount=0
            for name ,catagory in testResult.items():
                if (int(name)<1000 and catagory==0) or(int(name)>1000 and catagory==1):
                    rightCount+=1
                else:
                    errorCount+=1
            return rightCount/(rightCount+errorCount)

main.py

#encoding=utf-8
    '''
    Created on 2018年3月11日
    
    @author: Fan Renyi
    '''
    
    from spam.spamEmail import spamEmailBayes
    import re
    import time
    
    #及时函数开始
    begin_time=time.time()
    
    #spam类对象
    spam=spamEmailBayes()
    #保存词频的词典
    spamDict={}
    normDict={}
    testDict={}
    #保存每封邮件中出现的词
    wordsList=[]
    wordsDict={}
    #保存预测结果,key为文件名，值为预测类别
    testResult={}
    #分别获得正常邮件、垃圾邮件及测试文件名称列表
    normFileList=spam.get_File_List("./../data/normal")
    spamFileList=spam.get_File_List("./../data/spam")
    testFileList=spam.get_File_List("./../data/test")
    #获取训练集中正常邮件与垃圾邮件的数量
    normFilelen=len(normFileList)
    spamFilelen=len(spamFileList)
    #获得停用词表，用于对停用词过滤
    stopList=spam.getStopWords()
    
    
    #获得正常邮件中的词频
    for fileName in normFileList:
        wordsList.clear()
        for line in open("./../data/normal/"+fileName):
            #过滤掉非中文字符
            rule=re.compile(r"[^\u4e00-\u9fa5]")
            line=rule.sub("",line)
            #将每封邮件出现的词保存在wordsList中
            spam.get_word_list(line,wordsList,stopList)
        #统计每个词在所有邮件中出现的次数
        spam.addToDict(wordsList, wordsDict)
    normDict=wordsDict.copy()  
    
    #获得垃圾邮件中的词频
    wordsDict.clear()
    for fileName in spamFileList:
        wordsList.clear()
        for line in open("./../data/spam/"+fileName):
            rule=re.compile(r"[^\u4e00-\u9fa5]")
            line=rule.sub("",line)
            spam.get_word_list(line,wordsList,stopList)
        spam.addToDict(wordsList, wordsDict)
    spamDict=wordsDict.copy()
    
    # 测试邮件
    for fileName in testFileList:
        testDict.clear( )
        wordsDict.clear()
        wordsList.clear()
        for line in open("./../data/test/"+fileName):
            rule=re.compile(r"[^\u4e00-\u9fa5]")
            line=rule.sub("",line)
            spam.get_word_list(line,wordsList,stopList)
        spam.addToDict(wordsList, wordsDict)
        testDict=wordsDict.copy()
        #通过计算每个文件中p(s|w)来得到对分类影响最大的15个词
        wordProbList=spam.getTestWords(testDict, spamDict,normDict,normFilelen,spamFilelen)
        #对每封邮件得到的15个词计算贝叶斯概率  
        p=spam.calBayes(wordProbList, spamDict, normDict)
        if(p>0.9):
            testResult.setdefault(fileName,1)
        else:
            testResult.setdefault(fileName,0)
    
    
    # 将结果写在answer/ans.txt 里面
    f2=open('../data/answer/ans.txt',encoding='utf-8',mode='w')
    
    #计算分类准确率（测试集中文件名低于1000的为正常邮件）
    testAccuracy=spam.calAccuracy(testResult)
    for i,ic in testResult.items():
        print(i+"/"+str(ic))
        f2.write(i+"/"+str(ic)+'\n')
    print(testAccuracy)
    f2.write(str(testAccuracy)+'\n')
    
    end_time=time.time()
    print('程序总共运行了：',(end_time-begin_time),'(s)')

转载于:https://www.cnblogs.com/Renyi-Fan/p/10982891.html