利用朴素贝叶斯（Naive Bayes）原理进行垃圾邮件过滤（编程实现）

训练集链接
提取码：axpf

训练集（正常邮件）结构截图：

  训练集里面正常邮件normal和垃圾邮件spam各有24封，利用这些数据训练出模型并对两份待分类邮件进行分类。
邮件长这样：

  关于如何利用朴素贝叶斯进行分类，请参考：朴素贝叶斯（Naive Bayes）原理+编程实现拉普拉斯修正的朴素贝叶斯分类器

分类实现过程：

1. 首先需要对每一封邮件进行切割处理，得到包含所有词语的列表，处理方法请参考：Python读取有空行的txt文件+将内容分割保存到列表中
2. 训练模型，利用贝叶斯公式计算出后验概率
3. 得到结果

完整代码：

#读取所有训练数据并按照空格分隔，保存在一个列表里返回
def load_file(path):
    cab=[]
    for i in range(1, 25):
        data=open(path %i)
        for line in data.readlines():
            cab.append(line.strip().split(','))
    cab_f=[]
    for i in range(len(cab)):
        for j in range(len(cab[i])):
            if cab[i][j]!='':
                cab_f.append(cab[i][j].strip())
    cab_final=[]
    for i in cab_f:
        for j in i.split(' '):
            cab_final.append(j)
    return cab_final

#朴素贝叶斯分类器
def bayes(test):
    path1='Emails/Training/normal/%d.txt'
    path2='Emails/Training/spam/%d.txt'
    normal_data=load_file(path1)
    spam_data=load_file(path2)
    # 计算p(x|C1)=p1与p(x|C2)=p2
    p1=1.0;p2=1.0
    for i in range(len(test)):
        x=0.0
        for j in normal_data:
            if test[i]==j:
                x=x+1.0
        p1=p1*((x+1.0)/(len(normal_data)+2.0))   #拉普拉斯平滑

    for i in range(len(test)):
        x=0.0
        for j in spam_data:
            if test[i]==j:
                x=x+1.0
        p2=p2*((x+1.0)/(len(spam_data)+2.0))   #拉普拉斯平滑

    pc1 = len(normal_data) / (len(normal_data)+len(spam_data))
    pc2 = 1 - pc1

    if p1*pc1>p2*pc2:
        return 'normal'
    else:
        return 'spam'


#测试
def test(path):
    data=open(path)
    cab=[]
    for line in data.readlines():
        cab.append(line.strip().split(','))
    cab_f = []
    for i in range(len(cab)):
        for j in range(len(cab[i])):
            if cab[i][j] != '':
                cab_f.append(cab[i][j].strip())
    cab_final = []
    for i in cab_f:
        for j in i.split(' '):
            cab_final.append(j)
    return bayes(cab_final)

if __name__=='__main__':
    print(test('Emails/test/normal.txt'))
    print(test('Emails/test/spam.txt'))
    sum1=0;sum2=0
    #再试试训练集
    for i in range(1,25):
        if test('Emails/Training/normal/%d.txt' %i)=='normal':
            sum1=sum1+1
    for i in range(1,25):
        if test('Emails/Training/spam/%d.txt' %i)== 'spam':
            sum2=sum2+1
    print('normal分类正确率：',sum1/24)
    print('spam分类正确率：', sum2/24)

运行结果：

normal
spam
normal分类正确率： 0.9583333333333334
spam分类正确率： 1.0

可以看到，分类效果还不错！！