基于朴素贝叶斯的垃圾邮件过滤

概率是许多机器学习算法的基础，在前面生成决策树的过程中使用了一小部分关于概率的知识，即统计特征在数据集中取某个特定值的次数，然后除以数据集的实例总数，得到特征取该值的概率。 之前的基础实验中简单实现了朴素贝叶斯分类器，并正确执行了文本分类，这一节将贝叶斯运用到实际场景，垃圾邮件过滤这一实际应用。 **实例：使用朴素贝叶斯过滤垃圾邮件** 在上一节：[http://blog.csdn.net/liyuefeilong/article/details/48383175](http://blog.csdn.net/liyuefeilong/article/details/48383175)中，使用了简单的文本文件，并从中提取了字符串列表。这个例子中，我们将了解朴素贝叶斯的一个最著名的应用：电子邮件垃圾过滤。首先看一下如何使用通用框架来解决问题： * 收集数据：提供文本文件，下载地址：[http://download.csdn.net/detail/liyuefeilong/9106481](http://download.csdn.net/detail/liyuefeilong/9106481)，放在工程目录下并解压即可； * 准备数据：将文本文件解析成词条向量； * 分析数据：检查词条确保解析的正确性； * 训练算法：使用我们之前建立的trainNaiveBayes(trainMatrix, classLabel)函数； * 测试算法：使用函数naiveBayesClassify(vec2Classify, p0, p1, pBase)，并且构建一个新的测试函数来计算文档集的错误率； * 使用算法：构建一个完整的程序对一组文档进行分类，将错分的文档输出到屏幕上。 **1.生成贝叶斯分类器** 在上一节已实现，在实现朴素贝叶斯的两个应用前，需要用到之前的分类器训练函数，完整的代码如下： ~~~ # -*- coding: utf-8 -*- """ Created on Tue Sep 08 16:12:55 2015 @author: Administrator """ from numpy import * # 创建实验样本，可能需要对真实样本做一些处理，如去除标点符号 def loadDataSet(): postingList=[['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'], ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'], ['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him'], ['stop', 'posting', 'stupid', 'worthless', 'garbage'], ['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'], ['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']] listClass = [0, 1, 0, 1, 0, 1] # 1代表存在侮辱性的文字，0代表不存在 return postingList, listClass # 将所有文档所有词都存到一个列表中，用set()函数去除重复出现的词 def createNonRepeatedList(data): vocList = set([]) for doc in data: vocList = vocList | set(doc) # 两集合的并集 return list(vocList) def detectInput(vocList, inputStream): returnVec = [0]*len(vocList) # 创建和vocabList一样长度的全0列表 for word in inputStream: if word in vocList: # 针对某段words进行处理 returnVec[vocList.index(word)] = 1 # ? else: print "The word :%s is not in the vocabulary!" % word return returnVec # 贝叶斯分类器训练函数 def trainNaiveBayes(trainMatrix, classLabel): numTrainDocs = len(trainMatrix) numWords = len(trainMatrix[0]) pBase = sum(classLabel) / float(numTrainDocs) # The following Settings aim at avoiding the probability of 0 p0Num = ones(numWords) p1Num = ones(numWords) p0Denom = 2.0 p1Denom = 2.0 for i in range(numTrainDocs): if classLabel[i] == 1: p1Num += trainMatrix[i] p1Denom += sum(trainMatrix[i]) else: p0Num += trainMatrix[i] p0Denom += sum(trainMatrix[i]) p0 = log(p0Num / p0Denom) p1 = log(p1Num / p1Denom) return p0, p1, pBase def trainNaiveBayes(trainMatrix, classLabel): numTrainDocs = len(trainMatrix) numWords = len(trainMatrix[0]) pBase = sum(classLabel) / float(numTrainDocs) # The following Settings aim at avoiding the probability of 0 p0Num = ones(numWords) p1Num = ones(numWords) p0Denom = 2.0 p1Denom = 2.0 for i in range(numTrainDocs): if classLabel[i] == 1: p1Num += trainMatrix[i] p1Denom += sum(trainMatrix[i]) else: p0Num += trainMatrix[i] p0Denom += sum(trainMatrix[i]) p0 = log(p0Num / p0Denom) p1 = log(p1Num / p1Denom) return p0, p1, pBase trainMat = [] for doc in loadData: trainMat.append(detectInput(vocList, doc)) p0,p1,pBase = trainNaiveBayes(trainMat, dataLabel) #print "trainMat : " #print trainMat # test the algorithm def naiveBayesClassify(vec2Classify, p0, p1, pBase): p0res = sum(vec2Classify * p0) + log(1 - pBase) p1res = sum(vec2Classify * p1) + log(pBase) if p1res > p0res: return 1 else: return 0 def testNaiveBayes(): loadData, classLabel = loadDataSet() vocList = createNonRepeatedList(loadData) trainMat = [] for doc in loadData: trainMat.append(detectInput(vocList, doc)) p0, p1, pBase = trainNaiveBayes(array(trainMat), array(classLabel)) testInput = ['love', 'my', 'dalmation'] thisDoc = array(detectInput(vocList, testInput)) print testInput, 'the classified as: ', naiveBayesClassify(thisDoc, p0, p1, pBase) testInput = ['stupid', 'garbage'] thisDoc = array(detectInput(vocList, testInput)) print testInput, 'the classified as: ', naiveBayesClassify(thisDoc, p0, p1, pBase) ~~~ **2.准备数据：切分文本** 首先，编写一个Python函数textSplit()，用来对所有的email文件进行解析并把一篇文章分解为一个个的单词。这里将邮件分为两种，正常的邮件放在路径/email/ham/下，垃圾邮件放在/email/spam/下。以下的代码就是读入文本数据，然后切分，得到词向量，然后将词向量中的词都转换成小写，并把长度大于2的字符串提取出来，写入到文本文件中去，在切分文本的过程中使用了一些技巧，包括正则表达式、将所有字符串转换成小写（.lower()）等等。 ~~~ def textParse(bigString) : # 正则表达式进行文本解析 import re listOfTokens = re.split(r'\W*', bigString) return[tok.lower() for tok in listOfTokens if len(tok) > 2] ~~~ 以下是使用不同的处理对文本进行切分，第一次输出将一些标点符号也划分为单词的一部分；第二部分使用了正则表达式，去除了标点符号，但由于对字符串长度没有限制，因此出现了空字符；第三个输出加入了字符串长度控制，同时将字母全部变成小写。  **3.测试算法：使用朴素贝叶斯进行交叉验证** 该部分将文本解析器集成到一个完整分类器中： ~~~ # 过滤垃圾邮件 def spamTest() : docList = []; classList = []; fullText = [] for i in range(1, 26) : # 导入并解析文本文件，25个普通邮件和25个垃圾邮件 wordList = textParse(open('email/spam/%d.txt' % i).read()) docList.append(wordList) fullText.extend(wordList) classList.append(1) wordList = textParse(open('email/ham/%d.txt' % i).read()) docList.append(wordList) fullText.extend(wordList) classList.append(0) vocabList = createVocabList(docList) trainingSet = range(50); testSet = [] for i in range(10) : # 随机构建训练集，包含10个样本 randIndex = int(random.uniform(0, len(trainingSet))) testSet.append(trainingSet[randIndex]) del(trainingSet[randIndex]) trainMat = []; trainClasses = [] # 用于存放训练集和训练样本的标签 for docIndex in trainingSet : trainMat.append(setOfWords2Vec(vocabList, docList[docIndex])) trainClasses.append(classList[docIndex]) p0V, p1V, pSpam = trainNB0(array(trainMat), array(trainClasses)) errorCount = 0 for docIndex in testSet : # 对测试集进行分类 wordVector = setOfWords2Vec(vocabList, docList[docIndex]) if classifyNB(array(wordVector), p0V, p1V, pSpam) != classList[docIndex]: # 误判 errorCount += 1 print 'the error rate is: ', float(errorCount) / len(testSet) # 输出分类误差 ~~~  **4.小结** 以上代码会对10封随机选择的电子邮件进行分类，并统计分类的错误率。经过多次的运算，平均错误率为6%，这里的错误是指将垃圾邮件误判为正常邮件。相比之下，将垃圾邮件误判为正常邮件要好过将正常邮件误判为垃圾邮件，同时，若提高训练样本个数，可以进一步降低错误率。 算法训练测试的方法是从总的数据集中随机选择数字，将其添加到测试集中，同时将其从训练集中剔除。这种随机选择数据的一部分作为训练集，而剩余部分作为测试集的过程为留存交叉验证（hold-out cross validation）。有时为了更精确地估计分类器的错误率，就应该进行多次迭代后求出平均错误率。