贝叶斯算法：垃圾邮件过滤

准备
    100封邮件，50封垃圾邮件和50封正常邮件
参考 :
    贝叶斯算法原理

程序过程解释
垃圾邮件分类的数学基础是贝叶斯推断(bayesian inference)。整个程序过程主要有以下几个部分构成：

step 1 : 提取邮件并处理
1、使用 TDirectory.GetFiles(xPath) 获得 xPath 指示的文件夹下的所有文件的路径。
2、用 TStringList 根据路径读取文件内容。
3、使用 Split 方法将TStringList读取的内容以空格和“#13”分割开，并将所有单词放入数组中。

以上三个步骤全部包含在  getEmail(emailClass) 函数 和 processEmail(emailpath) 函数中。

step 2 : 获得在 normal 和 junk中每个单词的频数
这个步骤在代码中只是一个函数 getWordFrequency(emailClass) 。emailClass 表示邮件类别，即 normal 或者 junk 。返回的是一个字典，字典的 key值是单词，value值是这个单词的频数。

注意，这里的频数并不是指这个单词出现了多少次，而是指这个单词在多少封邮件当中出现过。例如：一个单词 sex 出现在3封邮件中，分别出现了5次，6次，4次，则这个单词 sex 的频数我们这里确定为3(因为它出现在3封邮件中),而不是 5 + 6+ 4 = 15 。

step 3 : 计算每个单词的后验概率
这一段代码包含在(某种意义上的)“主函数”当中 ：

1、通过step 1和 step 2定义的函数取得 normal 和 junk 中每个单词的频数;
2、创建单词的先验概率字典 GPosteriorProbabilityDict ，并初始化每一个单词的先验概率为0.00;
3、使用 for...in... 循环得到每个单词的先验概率：

     P(S|W) = P(W|S)P(S) / P(W|S)P(S) + P(W|H)P(H)
     
因为 normal 和 junk 的邮件数量相同，所以其先验概率 P(S) 和 P(H) 是相同的，均为 50%, 所以公式简化为 ：

     P(S|W) = P(W|S) / P(W|S) + P(W|H)

在代码中 P(W|S) 用 xJunkPro 变量表示， P(W|H)用 xNormalPro 表示。

如果当前单词在某个类别当中没有出现过，则可规定这个单词在这个类别中的后验概率是 0.01。

step 4 : 分类函数
这步骤主要体现在  testEmail(emailpath, threshold = 0.7) 函数中。email 参数表示email文件， threshold参数表示阀值，当计算得到的结果大于threshold时表示这是一封垃圾邮件(junk)， 否则这是一封正常邮件(normal), 这里默认 threshold = 0.7。

对于给定的测试email，计算过程如下 ：</