机器学习实战python版 朴素贝叶斯示例 垃圾邮件分类 从个人广告中获取趋于趋向

最新推荐文章于 2022-12-06 00:33:45 发布
最新推荐文章于 2022-12-06 00:33:45 发布
阅读量3.1k 收藏 1
点赞数 1
分类专栏： 机器学习 文章标签： 朴素贝叶斯 机器学习 垃圾邮件 广告
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/XD_Senior/article/details/50165715
版权

首先我们先来看如何使用朴树贝叶斯对电子邮件进行分类

准备数据：切分文本

对于一个文本字符串，使用python的split（）就可以切分文本。

>>> mySent = 'this book is the best book on python or M.L. I have even laid eyes upon.'
>>> mySent.split()
['this', 'book', 'is', 'the', 'best', 'book', 'on', 'python', 'or', 'M.L.', 'I', 'have', 'even', 'laid', 'eyes', 'upon.']
>>> import re
>>> re.split('\W*',mySent)
['this', 'book', 'is', 'the', 'best', 'book', 'on', 'python', 'or', 'M', 'L', 'I', 'have', 'even', 'laid', 'eyes', 'upon', '']
>>> re.split('\\W*',mySent)
['this', 'book', 'is', 'the', 'best', 'book', 'on', 'python', 'or', 'M', 'L', 'I', 'have', 'even', 'laid', 'eyes', 'upon', '']
>>> listOfTokens = re.split('\\W*',mySent)
>>> listOfTokens
['this', 'book', 'is', 'the', 'best', 'book', 'on', 'python', 'or', 'M', 'L', 'I', 'have', 'even', 'laid', 'eyes', 'upon', '']
>>> [tok.lower() for tok in listOfTokens if len(tok) > 0]
['this', 'book', 'is', 'the', 'best', 'book', 'on', 'python', 'or', 'm', 'l', 'i', 'have', 'even', 'laid', 'eyes', 'upon']
>>>

我们用可以函数就可以切分句子，而且还可以忽略到小于一定长度的字符串。

测试算法:使用朴树贝叶斯进行交叉验证

def textParse(bigString):    #input is big string, #output is word list
    import re
    listOfTokens = re.split(r'\W*', bigString)
    return [tok.lower() for tok in listOfTokens if len(tok) > 2] 
    
def spamTest():
    docList=[]; classList = []; fullText =[]
    for i in range(1,26):
        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)#create vocabulary
    trainingSet = range(50); testSet=[]           #create test set
    for i in range(10):
        randIndex = int(random.uniform(0,len(trainingSet)))
        testSet.append(trainingSet[randIndex])
        del(trainingSet[randIndex])  
    trainMat=[]; trainClasses = []
    for docIndex in trainingSet:#train the classifier (get probs) trainNB0
        trainMat.append(bagOfWords2VecMN(vocabList, docList[docIndex]))
        trainClasses.append(classList[docIndex])
    p0V,p1V,pSpam = trainNB0(array(trainMat),array(trainClasses))
    errorCount = 0
    for docIndex in testSet:        #classify the remaining items
        wordVector = bagOfWords2VecMN(vocabList, docList[docIndex])
        if classifyNB(array(wordVector),p0V,p1V,pSpam) != classList[docIndex]:
            errorCount += 1
            print "classification error",docList[docIndex]
    print 'the error rate is: ',float(errorCount)/len(testSet)


textParse(bigString)比较好理解，就是接收一个大的字符串句子，然后按单词划分。

>>> open('email/spam/%d.txt' % i).read()
'--- Codeine 15mg -- 30 for $203.70 -- VISA Only!!! --\n\n-- Codeine (Methylmorphine) is a narcotic (opioid) pain reliever\n-- We have 15mg & 30mg pills -- 30/15mg for $203.70 - 60/15mg for $385.80 - 90/15mg for $562.50 -- VISA Only!!! ---'
>>>

这样就比较好理解每一句代码的意思，比如我们想知道fullText的内容是什么，除了改变这个函数让他返回这个列表，还可以单独写一个测试函数来查看每句代码的意思。

from numpy import *
docList=[]; fullText =[]
def textParse(bigString):    #input is big string, #output is word list
    import re
    listOfTokens = re.split(r'\W*', bigString)
    return [tok.lower() for tok in listOfTokens if len(tok) > 2] 
for i in range(1,26):
        wordList = textParse(open('email/spam/%d.txt' % i).read())
        docList.append(wordList)
        fullText.extend(wordList)
        wordList = textParse(open('email/ham/%d.txt' % i).read())
        docList.append(wordList)
        fullText.extend(wordList)

>>> fullText
['codeine', '15mg', 'for', '203', 'visa', 'only', 'codeine'...]

我们可以简单查看下，我们发现这个是有重复代码的和单词表是不一样的。单词表不会出现重复的单词的。

最后我们的测试结果还是一样的。

>>> import bayes
>>> bayes.spamTest()
the error rate is:  0.0
>>>


示例：使用朴树贝叶斯分类器从个人广告中获取区域倾向

收集数据：导入Rss源

现在我们需要一个RSS阅读器，Universal Feed Parser 是Python 中最长使用的Rss程序库。我们现在需要安装一个脚本。

点击打开链接 这个是我从网上找的，分享到了百度云里。下载后，输入python setup.py install点击打开链接

然后导入就可以了。

def calcMostFreq(vocabList,fullText):
    import operator
    freqDict = {}
    for token in vocabList:
        freqDict[token]=fullText.count(token)
    sortedFreq = sorted(freqDict.iteritems(), key=operator.itemgetter(1), reverse=True) 
    return sortedFreq[:50]       

def localWords(feed1,feed0):
    import feedparser
    docList=[]; classList = []; fullText =[]
    minLen = min(len(feed1['entries']),len(feed0['entries']))
    for i in range(minLen):
        wordList = textParse(feed1['entries'][i]['summary'])
        docList.append(wordList)
        fullText.extend(wordList)
        classList.append(1) #NY is class 1
        wordList = textParse(feed0['entries'][i]['summary'])
        docList.append(wordList)
        fullText.extend(wordList)
        classList.append(0)
    vocabList = createVocabList(docList)#create vocabulary
    top30Words = calcMostFreq(vocabList,fullText)   #remove top 30 words
    for pairW in top30Words:
        if pairW[0] in vocabList: vocabList.remove(pairW[0])
    trainingSet = range(2*minLen); testSet=[]           #create test set
    for i in range(20):
        randIndex = int(random.uniform(0,len(trainingSet)))
        testSet.append(trainingSet[randIndex])
        del(trainingSet[randIndex])  
    trainMat=[]; trainClasses = []
    for docIndex in trainingSet:#train the classifier (get probs) trainNB0
        trainMat.append(bagOfWords2VecMN(vocabList, docList[docIndex]))
        trainClasses.append(classList[docIndex])
    p0V,p1V,pSpam = trainNB0(array(trainMat),array(trainClasses))
    errorCount = 0
    for docIndex in testSet:        #classify the remaining items
        wordVector = bagOfWords2VecMN(vocabList, docList[docIndex])
        if classifyNB(array(wordVector),p0V,p1V,pSpam) != classList[docIndex]:
            errorCount += 1
    print 'the error rate is: ',float(errorCount)/len(testSet)
    return vocabList,p0V,p1V,top30Words


代码和前面的基本都很相似。也是交叉验证。

分析数据：显示地域相关的用词

def getTopWords(ny,sf):
    import operator
    vocabList,p0V,p1V,top30Words=localWords(ny,sf)
    topNY=[]; topSF=[]
    for i in range(len(p0V)):
        if p0V[i] > -6.0 : topSF.append((vocabList[i],p0V[i]))
        if p1V[i] > -6.0 : topNY.append((vocabList[i],p1V[i]))
    sortedSF = sorted(topSF, key=lambda pair: pair[1], reverse=True)
    print "SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**"
    for item in sortedSF:
        print item[0]
    sortedNY = sorted(topNY, key=lambda pair: pair[1], reverse=True)
    print "NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**"
    for item in sortedNY:
        print item[0]


> import feedparser
>>> ny = feedparser.parse('http://newyork.craigslist.org/stp/index.rss')
>>> ny['entries']
[{'dc_source': u'http://newyork.craigslist.org/mnh/stp/5331168420.html', 'summary_detail': {'base': 'http://newyork.craigslist.org/search/stp?format=rss', 'type': 'text/html', 'value': u"Looking to give free non sexual massage to inshape bi/str8 guy. I'm not a pro but told I'm pretty good. Clean discreet 100% respectful for the same. Prefer inshape guys 40 and under. I can host. Pic for trade.", 'language': None}, 'published_parsed': time.struct_time(tm_year=2015, tm_mon=11, tm_mday=25, tm_hour=1, tm_min=38, tm_sec=21, tm_wday=2, tm_yday=329, tm_isdst=0), 'updated_parsed': time.struct_time(tm_year=2015, tm_mon=11, tm_mday=25, tm_hour=1, tm_min=38, tm_sec=21, tm_wday=2, tm_yday=329, tm_isdst=0), 'links': [{'href': u'http://newyork.craigslist.org/mnh/stp/5331168420.html', 'type': 'text/html', 'rel': 'alternate'}], 'title': u'Looking to give free non sexual massage to inshape bi/str8 guy - m4m (Upper East Side)', 'rights': u'&copy; 2015 <span class="desktop">craigslist</span><span class="mobile">CL</span>', 'updated': u'2015-11-24T20:38:21-05:00', 'summary': u"Looking to give free non sexual massage to inshape bi/str8 guy. I'm not a pro but told I'm pretty good. Clean discreet 100% respectful for the same. Prefer inshape guys 40 and under. I can host. Pic for trade.", 'language': u'en-us', 'title_detail': {'base': 'http://newyork.craigslist.org/search/stp?format=rss', 'type': 'text/plain', 'value': u'Looking to give free non sexual massage to inshape bi/str8 guy - m4m (Upper East Side)', 'language': None}, 'link': u'http://newyork.craigslist.org/mnh/stp/5331168420.html', 'published': u'2015-11-24T20:38:21-05:00', 'rights_detail': {'base': 'http://newyork.craigslist.org/search/stp?format=rss', 'type': 'text/plain', 'value': u'&copy; 2015 <span class="desktop">craigslist</span><span class="mobile">CL</span>', 'language': None}, 'id': u'http://newyork.craigslist.org/mnh/stp/5331168420.html', 'dc_type': u'text'}, {'dc_source': u'http://newyork.craigslist.org/que/stp/5331187431.html', 'summary_detail': {'base': 'http://newyork.craigslist.org/search/stp?format=rss', 'type': 'text/html', 'value': u'You are a women with submissive feeling. You would like to learn more and perhaps explore in a safe manner. \nI am an older White Dom...age 60 with years of experience. I am patient and discrete. \nI can listen to your thoughts and answer your question [...]', 'language': None}, 'published_parsed': time.struct_time(tm_year=2015, tm_mon=11, tm_mday=25, tm_hour=1, tm_min=34, tm_sec=58, tm_wday=2, tm_yday=329, tm_isdst=0), 'updated_parsed': time.struct_time(tm_year=2015, tm_mon=11, tm_mday=25, tm_hour=1, tm_min=34, tm_sec=58, tm_wday=2, tm_yday=329, tm_isdst=0), 'links': [{'href': u'http://newyork.craigslist.org/que/stp/5331187431.html', 'type': 'text/html', 'rel': 'alternate'}], 'title': u'Submissive feelings? Need to talk? - m4w (all boros and LI)', 'rights': u'&copy; 2015 <span class="desktop">craigslist</span><span class="mobile">CL</span>', 'updated': u'2015-11-24T20:34:58-05:00', 'summary': u'You are a women with submissive feeling. You would like to learn more and perhaps explore in a safe manner. \nI am an older White Dom...age 60 with years of experience. I am patient and discrete. \nI can listen to your thoughts and answer your question [...]', 'language': u'en-us', 'title_detail': {'base': 'http://newyork.craigslist.org/search/stp?format=rss', 'type': 'text/plain', 'value': u'Submissive feelings? Need to talk? - m4w (all boros and LI)', 'language': None}, 'link': u'http://newyork.craigslist.org/que/stp/5331187431.html', 'published': u'2015-11-24T20:34:58-05:00', 'rights_detail': {'base': 'http://newyork.craigslist.org/search/stp?format=rss', 'type': 'text/plain', 'value': u'&copy; 2015 <span class="desktop">craigslist</span><span class="mobile">CL</span>', 'language': None}, 'id': u'http://newyork.craigslist.org/que/stp/5331187431.html', 'dc_type': u'text'}, {'dc_source': u'http://newyork.craigslist.org/brk/stp/5302043769.html', 'summary_detail': {'base': 'http://newyork.craigslist.org/search/stp?format=rss', 'type': 'text/html', 'value': u"Masculine older guy 61 5ft7 175 \nLooking for a genuine nice guy for \nmutual massage....No agenda here \nTactile sensual guy who primarily is \ninterested in massage...Nothing wrong with \nan erotic component if that's what either of us \nwants....a Go wi [...]", 'language': None}, 'published_parsed': time.struct_time(tm_year=2015, tm_mon=11, tm_mday=25, tm_hour=1, tm_min=32, tm_sec=10, tm_wday=2, tm_yday=329, tm_isdst=0), 'updated_parsed': time.struct_time(tm_year=2015, tm_mon=11, tm_mday=25, tm_hour=1, tm_min=32, tm_sec=10, tm_wday=2, tm_yday=329, tm_isdst=0), 'links': [{'href': u'http://newyork.craigslist.org/brk/stp/5302043769.html', 'type': 'text/html', 'rel': 'alternate'}], 'title': u'Mutual Massage - m4m (Kensington)', 'rights': u'&copy; 2015 <span class="desktop">craigslist</span><span class="mobile">CL</span>', 'updated': u'2015-11-24T20:32:10-05:00', 'summary': u"Masculine older guy 61 5ft7 175 \nLooking for a genuine nice guy for \nmutual massage....No agenda here \nTactile sensual guy who primarily is \ninterested in massage...Nothing wrong with \nan erotic component if that's what either of us \nwants....a Go wi [...]", 'language': u'en-us', 'title_detail': {'base': 'http://newyork.craigslist.org/search/stp?format=rss', 'type': 'text/plain', 'value': u'Mutual Massage - m4m (Kensington)', 'language': None}, 'link': u'http://newyork.craigslist.org/brk/stp/5302043769.html', 'published': u'2015-11-24T20:32:10-05:00', 'rights_detail': {'base': 'http://newyork.craigslist.org/search/stp?format=rss', 'type': 'text/plain', 'value': u'&copy; 2015 <span class="desktop">craigslist</span><span class="mobile">CL</span>', 'language': None}, 'id': u'http://newyork.craigslist.org/brk/stp/5302043769.html', 'dc_type': u'text'}, {'dc_source': u'http://newyork.craigslist.org/mnh/stp/5313682903.html', 'summary_detail': {'base': 'http://newyork.craigslist.org/search/stp?format=rss', 'type': 'text/html', 'value': u'I offer in-home yoga therapy and wellness coaching. I COME TO YOU for Maximum convenience. \nModified sequences according your experience/level and goals.

这个比较乱我们主要用到的是feed1['entries'][i]['summary']。

>>> import feedparser
>>> ny = feedparser.parse('http://newyork.craigslist.org/stp/index.rss')
>>> sf = feedparser.parse('http://sfbay.craigslist.org/stp/index.rss')
>>> vocabList,pSF,pNY = bayes.localWords(ny,sf)
the error rate is:  0.4
>>> pSF
array([-5.81413053, -5.81413053, -5.81413053, -5.81413053, -5.81413053,
       -5.12098335, -5.81413053, -5.81413053, -5.81413053, -5.12098335,
       -5.81413053, -5.81413053, -5.12098335, -5.81413053, -5.81413053,
       -5.81413053, -5.12098335, -5.81413053, -5.12098335, -5.81413053,
       -5.12098335, -5.81413053, -5.12098335, -5.81413053, -5.12098335,
       -5.12098335, -5.12098335, -5.81413053, -5.12098335, -5.81413053,
       -5.81413053, -5.81413053, -5.81413053, -5.81413053, -5.81413053,
       -5.81413053, -5.81413053, -5.12098335, -5.81413053, -5.12098335,
       -5.81413053, -5.81413053, -5.81413053, -5.12098335, -5.81413053,
       -5.12098335, -5.12098335, -5.81413053, -5.81413053, -5.81413053,
       -5.81413053, -5.12098335, -5.81413053, -5.81413053, -5.81413053,
       -5.81413053, -5.12098335, -5.81413053, -5.81413053, -5.81413053,
       -5.81413053, -5.81413053, -5.12098335, -5.81413053, -5.12098335,
       -5.81413053, -5.81413053, -5.81413053, -5.12098335, -5.81413053,
       -4.71551824, -5.81413053, -5.81413053, -5.81413053, -5.81413053,
       -5.12098335, -5.81413053, -5.81413053, -5.12098335, -5.81413053,
       -5.81413053, -5.12098335, -5.81413053, -5.81413053, -5.12098335,
       -5.81413053, -5.12098335, -5.81413053, -5.12098335, -4.71551824,

>>> bayes.getTopWords(ny,sf)
the error rate is:  0.4
SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**
friends
here
they
long
love
learn
married
along
easy
home
but
massage

我们已经除去了概率最大的一些单词，所以后面的显示是没有的。当然这里面也有很多停用词，除去后效果会更好。

希望大家多多指导

XD_Senior
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
秒懂算法 | 基于朴素贝叶斯算法的垃圾信息的识别
不断学习，不断进步，提高自己
02-23 1095
本文将带领大家亲手实现一个垃圾信息过滤的算法。 在正式讲解算法之前，最重要的是对整个任务有一个全面的认识，包括算法的输入和输出、可能会用到的技术，以及技术大致的流程。 本任务的目标是去识别一条短信是否为垃圾信息，即输入为一条文本信息，输出为二分类的分类结果。2002年，Paul Graham提出使用“贝叶斯推断”过滤垃圾邮件。1000封垃圾邮件可以过滤掉995封，且没有一个误判。另外，这种过滤器还具有自我学习的功能，会根据新收到的邮件，不断调整。收到的垃圾邮件越多，它的准确率就越高。
使用Python实现一个简单的垃圾邮件分类器
努力是为了站在万人之中，成为别人的光
04-13 5377
随着电子邮件的广泛使用，垃圾邮件也日益增多，对用户造成了很大的困扰。因此，开发一个能够自动分类和过滤垃圾邮件的程序就显得非常重要。本篇文章将介绍如何使用Python实现一个简单的垃圾邮件分类器，帮助您更好地管理自己的电子邮件。
垃圾邮件分类-朴素贝叶斯算法
Scanf_void_he的博客
12-06 959
基于朴素贝叶斯的垃圾邮件分类
python实现贝叶斯推断——垃圾邮件分类
热门推荐
Liu Ruilun的博客
05-11 1万+
理论 理论强推阮一峰大神的个人网站 1.贝叶斯推断及其互联网应用（一）：定理简介 2.贝叶斯推断及其互联网应用（二）：过滤垃圾邮件 非常简明易懂，然后我下面的代码就是实现上面过滤垃圾邮件算法的。 前期准备 数据来源 数据来源于《机器学习实战》中的第四章朴素贝叶斯分类器的实验数据。数据书上只提供了50条数据（25条正常邮件，25条垃圾邮件），感觉数据量偏小，以后打算使用scik...
朴素贝叶斯进行--垃圾邮件分类、新闻分类、个人广告获取区域倾向的解读
heda3的博客
10-03 735
关联文章： 统计学习--最大似然和贝叶斯估计的联系 统计学习-朴素贝叶斯算法（Naive Bayes） 一、垃圾邮件分类： 流程： 1）中文或英文的分词 中文的分词：用到了第三方分词组件jieba参考https://github.com/fxsjy/jieba 安装过程：关联文章：Anaconda 安装第三方工具包 英文的分词：使用正则表达式切分 im...
朴素贝叶斯分类方法
hyk的博客
03-12 2455
目录一、什么是朴素贝叶斯分类方法 一、什么是朴素贝叶斯分类方法
机器学习：朴素贝叶斯算法实现垃圾邮件分类
zyf2589237189的博客
11-29 2381
机器学习：朴素贝叶斯算法实现垃圾邮件分类
朴素贝叶斯算法--过滤垃圾短信
Michael是个半路程序员
08-07 4633
文章目录1. 基于黑名单过滤2. 基于规则过滤3. 基于概率统计过滤 上一节我们讲到，如何用位图、布隆过滤器，来过滤重复数据。今天，我们再讲一个跟过滤相关的问题，如何过滤垃圾短信？ 1. 基于黑名单过滤 我们可以维护一个骚扰电话号码和垃圾短信发送号码的黑名单。这个黑名单的搜集，有很多途径，比如，我们可以从一些公开的网站上下载，也可以通过类似“360骚扰电话拦截”的功能，通过用户自主标记骚扰电话来收...
人工智能知识全面讲解：垃圾邮件克星——朴素贝叶斯算法
Lee达森的博客
06-27 1599
6.1 什么是朴素贝叶斯 6.1.1 一个流量预测的场景 某广告平台接到小明和小李两家服装店的需求，准备在A、B两个线上渠道 投放广告。因为小明和小李两家店都卖女装，属于同一行业相同品类的广告， 所以在 A、B两个渠道面向的不同用户前只会展示其中一家。一个月以后，从 点击率来看小明的服装店占了A、B两个渠道总流量的65%，小李服装店占剩? 35%的流量。小明服装店的总流量中只有30%的流量是在B渠道中获得的，而小 李服装店在B渠道获得的流量占总流量的75%，如图6-1所示。现在因广告平台 与A渠道合作到期的
算法高级（43）-过滤垃圾邮件、短信？-朴素贝叶斯算法
十步杀一人-千里不留行
09-28 1800
一、算法介绍 朴素贝叶斯算法，简称NB算法，是贝叶斯决策理论的一部分，是基于贝叶斯定理与特征条件独立假设的分类方法。 两个重要概念： 先验概率是指根据以往经验和分析得到的概率，它往往作为“由因求果”问题中的“因”出现。是我们在未知条件下对事件发生可能性猜测的数学表示； 后验概率是指在得到“结果”的信息后重新修正的概率，是“执果寻因”问题中的“因” 。事情已经发生，要求这件事情发生的原因是由...
简单贝叶斯实现垃圾邮件分类
06-09
简单的邮件分类，使用bayes分类器，100行正常邮件和100行垃圾邮件。
利用贝叶斯算法实现垃圾邮件分类
12-14
bayes.py为主体代码，利用终端输入python调用程序，代码中包含中文注释。也包含测试集与训练集。
使用Python和Keras进行垃圾邮件分类
04-11
我将展示如何准备训练和测试数据，定义简单的神经网络模型，进行训练和测试。
垃圾邮件分类
11-19
本代码是利用朴素贝叶斯算法实现的垃圾邮件分类，本代码包括代码部分和垃圾邮件及正常邮件数据集
用python朴素贝叶斯实现垃圾邮件分类的数据集
最新发布
11-06
使用机器学习算法 用python朴素贝叶斯实现垃圾邮件分类的数据集
机器学习-Python-朴素贝叶斯-垃圾邮件
09-28
这里面包括了Python使用朴素贝叶斯进行垃圾邮件判定的主要过程代码和notebook，可以方便理解朴素贝叶斯的工作原理和实践。
机器学习及与智能数据处理Python使用朴素贝叶斯算法对垃圾短信数据集进行分类中的垃圾短信数据集
05-29
机器学习及与智能数据处理Python使用朴素贝叶斯算法对垃圾短信数据集进行分类中的垃圾短信数据集。 朴素贝叶斯算法 输入：样本集合D=｛(x_1,y_1),(x_2,y_2)~(x_m,y_m); 待预测样本x; 样本标记的所有可能取值｛c_1,c_...
机器学习之朴素贝叶斯算法-----python实现垃圾邮件分类
07-12
简单的朴素贝叶斯垃圾邮件分类算法（python实现），另外上传的有垃圾邮件训练数据集，供大家下载。
使用朴素贝叶斯分类器从个人广告中获取区域倾向
03-16
朴素贝叶斯分类器可以从个人广告中获取区域倾向。该分类器可以通过分析广告中出现的关键词和短语，来确定广告发布者所在的地理位置。例如，如果广告中出现了某个城市的名称或者该城市的特定地标，那么可以推断该广告...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值