weka文本挖掘分析垃圾邮件分类模型

原文链接：http://tecdat.cn/?p=4027

 

​

业务背景

电子邮件的应用变的十分广泛，它给人们的生活带来了极大的方便，然而，作为其发展的副产品——垃圾邮件，却给广大用户、网络管理员和ISP(Internet服务提供者)带来了大量的麻烦。垃圾邮件问题日益严重，受到研究人员的广泛关注。 垃圾邮件通常是指未经用户许可，但却被强行塞入用户邮箱的电子邮件。对于采用群发等技术的垃圾邮件，必须借助一定的技术手段进行反垃圾邮件工作。目前，反垃圾邮件技术主要包括：垃圾邮件过滤技术、邮件服务器的安全管理以及对简单邮件通信协议(SMTP)的改进研究等。 

WEKA文本分词预处理

首先对于训练集文件夹中的两类邮件文档进行分析，可从不同角度自动化分析两类文件特征，编写算法，构建分类模型。

首先设置工作目录，并且读取分类后的文本文件

可以看到垃圾邮件和非垃圾邮件的频数直方图​

 ​

然后对得到的原始语料进行分词处理 得到词频矩阵文件

 ​

得到各个词频的分类直方图​

得到词频矩阵后 对数据进行分类器的建模

2. 对corpus中的attribute进行分析，找出对于分类有贡献的attribute（即那些词只出现在positive中，那些词只出现在negative中,哪些词在两个类别里都出现）

3. 找出区分positive和negative的分类规则（即哪些词在一起出现的时候会导致分类器判断的结果为positive，哪些词在一起出现的时候会导致分类器判断的结果为negative）

从结果可以看出cell efficiengcy however breast rates 和cell这些词对最后的分类结果有较大的影响 如有however的一般为负面词 。

WEKA文本分词结果比较

下面得到每个分类器的准确度和混淆矩阵：

NaiveBayes

Logistic​

J48

RandomForest​

SVM​

OneR​

结语

基于判别方法的垃圾邮件过滤在现代研究中引起比较少的关注 ，结果很清楚地表明,基于随机森林、SVM模型的分类方法相对于传统的方法,在垃圾邮件的过滤方面,可以有效地提高正确率和准确率。