用Python实现朴素贝叶斯垃圾邮箱分类

一、实验目的

通过本实验，旨在使用朴素贝叶斯算法实现垃圾邮箱分类，并能够理解并掌握以下内容：
了解朴素贝叶斯算法的基本原理和应用场景。
学习如何对文本数据进行预处理，包括去除标点符号、转换为小写字母、分词等操作。
理解特征提取的概念，掌握常见的特征提取方法，如词袋模型和TF-IDF。
学会使用Python中的机器学习库（如scikit-learn）来实现朴素贝叶斯分类器。
掌握如何评估分类器的性能，包括准确率、召回率和F1值等指标。
实践使用训练好的分类器对新的未知邮件进行分类预测。
通过完成本实验，将能够应用朴素贝叶斯算法解决文本分类问题，特别是垃圾邮箱分类。这种技术在实际生活中有广泛的应用，可以帮助我们自动过滤垃圾邮件，提高工作和生活的效率。此外，通过实践，你还将加深对机器学习算法和文本处理技术的理解和应用能力，为进一步探索更复杂的机器学习问题打下基础。

二、设备与环境

Jupyter notebook
Python=3.9

三、实验原理

四、实验内容

步骤1：准备数据集
首先，我们需要准备一个用于训练和测试朴素贝叶斯分类器的数据集。该数据集应包含标记为“垃圾邮件”和“非垃圾邮件”的电子邮件文本，以及它们对应的分类。
步骤2：数据预处理
在训练和测试之前，我们需要对数据进行预处理，以便将其转换为适合朴素贝叶斯算法使用的格式。这包括将文本数据转换为数字格式，去除停用词，进行词干提取等操作。
步骤3：训练模型
使用准备好的训练数据集，我们可以训练朴素贝叶斯分类器。训练过程包括计算“垃圾邮件”和“非垃圾邮件”的先验概率，以及每个单词在每个类别中出现的条件概率。
步骤4：测试模型
测试集是用于评估模型性能的独立数据集。我们将在测试集上测试训练好的朴素贝叶斯分类器，并计算其准确性、召回率、F1得分等指标，以评估其性能。
步骤5：模型应用
在完成训练和测试后，我们可以将训练好的朴素贝叶斯分类器应用于新的未知邮件文本，并根据其内容将其分类为“垃圾邮件”或“非垃圾邮件”。

五、实验结果分析

用朴素贝叶斯算法构建了一个垃圾邮件检测器，并对训练集进行训练和对测试集进行预测，最后计算了预测准确率。由下图可知准确率为0.98，表示该垃圾检测器的效果还是很好地。

完整代码及注释

数据集见资源~

#需要导入的包
import os
import re
import string
import math
#数据的读入

DATA_DIR = r'D:\D\Download\360安全浏览器下载\enron Email dataset\enron'
target_names = ['ham', 'spam']
def get_data(DATA_DIR):
    subfolders = ['enron%d' % i for i in range(1,7)]
    data = []
    target = []
    for subfolder in subfolders:
        # spam
        spam_files = os.listdir(os.path.join(DATA_DIR, subfolder, 'spam'))
        for spam_file in spam_files:
            with open(os.path.join(DATA_DIR, subfolder, 'spam', spam_file), encoding="latin-1") as f:
                data.append(f.read())
                target.append(1)
        # ham
        ham_files = os.listdir(os.path.join(DATA_DIR, subfolder, 'ham'))
        for ham_file in ham_files:
            with open(os.path.join(DATA_DIR, subfolder, 'ham', ham_file), encoding="latin-1") as f:
                data.append(f.read())
                target.append(0)
    return data, target
 
X, y = get_data(DATA_DIR)#读取数据
#我们读入了所有邮件内容和标签，其中邮件内容存储在data中，标签存储在target当中，“1”表示为垃圾邮件，“0”表示为正常邮件。

 #定义一个类对数据进行预处理
class SpamDetector_1(object):
    """Implementation of Naive Bayes for binary classification"""
    #清除空格
    def clean(self, s):
        translator = str.maketrans("", "", string.punctuation)
        return s.translate(translator)
    #分开每个单词
    def tokenize(self, text):
        text = self.clean(text).lower()
        return re.split("\W+", text)
    #计算某个单词出现的次数
    def get_word_counts(self, words):
        word_counts = {}
        for word in words:
            word_counts[word] = word_counts.get(word, 0.0) + 1.0
        return word_counts

 #在我们开始实际算法之前，我们需要做三件事：计算（对数）类先验，即计算P（垃圾邮件）和P（正常邮件）；词汇表（即正常邮件和垃圾邮件中出现的所有单词，方便进行拉普拉斯平滑）；垃圾邮件和非垃圾邮件的词频，即给定词在垃圾邮件和非垃圾邮件中出现的次数。
class SpamDetector_2(SpamDetector_1):
    # X:data,Y:target标签（垃圾邮件或正常邮件）
    def fit(self, X, Y):
        self.num_messages = {}
        self.log_class_priors = {}
        self.word_counts = {}
        # 建立一个集合存储所有出现的单词
        self.vocab = set()
        # 统计spam和ham邮件的个数
        self.num_messages['spam'] = sum(1 for label in Y if label == 1)
        self.num_messages['ham'] = sum(1 for label in Y if label == 0)
 
        # 计算先验概率，即所有的邮件中，垃圾邮件和正常邮件所占的比例
        self.log_class_priors['spam'] = math.log(
            self.num_messages['spam'] / (self.num_messages['spam'] + self.num_messages['ham']))
        self.log_class_priors['ham'] = math.log(
            self.num_messages['ham'] / (self.num_messages['spam'] + self.num_messages['ham']))
 
        self.word_counts['spam'] = {}
        self.word_counts['ham'] = {}
 
        for x, y in zip(X, Y):
            c = 'spam' if y == 1 else 'ham'
            # 构建一个字典存储单封邮件中的单词以及其个数
            counts = self.get_word_counts(self.tokenize(x))
            for word, count in counts.items():
                if word not in self.vocab:
                    self.vocab.add(word)#确保self.vocab中含有所有邮件中的单词
                # 下面语句是为了计算垃圾邮件和非垃圾邮件的词频，即给定词在垃圾邮件和非垃圾邮件中出现的次数。
                # c是0或1，垃圾邮件的标签
                if word not in self.word_counts[c]:
                    self.word_counts[c][word] = 0.0
                self.word_counts[c][word] += count
 #可以利用下面的语句进行debug，判断是否运行正确，若正确，log_class_priors of spam应该为-0.6776，log_class_priors of ham应该为-0.7089。
#我们选取了第100封之后的邮件作为训练集，前面一百封邮件作为测试集。
MNB = SpamDetector_2()
# 选取了第100封之后的邮件作为训练集，前面一百封邮件作为测试集
MNB.fit(X[100:], y[100:])

#print("log_class_priors of spam", MNB.log_class_priors['spam']) #-0.6776
#print("log_class_priors of ham", MNB.log_class_priors['ham']) #-0.7089
#定义一个类spamDetector对测试集进行测试，主要的思路是判断lnP(垃圾）+ ，lnP(正常）+进行比较，从而判断是垃圾邮件还是正常邮件
class SpamDetector(SpamDetector_2):
    def predict(self, X):
        result = []
        flag_1 = 0
        # 遍历所有的测试集
        for x in X:
            counts = self.get_word_counts(self.tokenize(x))  # 生成可以记录单词以及该单词出现的次数的字典
            spam_score = 0
            ham_score = 0
            flag_2 = 0
            for word, _ in counts.items():
                if word not in self.vocab: continue
 
                #下面计算P(内容|垃圾邮件)和P(内容|正常邮件),所有的单词都要进行拉普拉斯平滑
                else:
                    # 该单词存在于正常邮件的训练集和垃圾邮件的训练集当中
                    if word in self.word_counts['spam'].keys() and word in self.word_counts['ham'].keys():
                        log_w_given_spam = math.log(
                            (self.word_counts['spam'][word] + 1) / (sum(self.word_counts['spam'].values()) + len(self.vocab)))
                        log_w_given_ham = math.log(
                            (self.word_counts['ham'][word] + 1) / (sum(self.word_counts['ham'].values()) + len(
                                self.vocab)))
                    # 该单词存在于垃圾邮件的训练集当中,但不存在于正常邮件的训练集当中
                    if word in self.word_counts['spam'].keys() and word not in self.word_counts['ham'].keys():
                        log_w_given_spam = math.log(
                            (self.word_counts['spam'][word] + 1) / (sum(self.word_counts['spam'].values()) + len(self.vocab)))
                        log_w_given_ham = math.log( 1 / (sum(self.word_counts['ham'].values()) + len(
                                self.vocab)))
                    # 该单词存在于正常邮件的训练集当中,但不存在于垃圾邮件的训练集当中
                    if word not in self.word_counts['spam'].keys() and word in self.word_counts['ham'].keys():
                        log_w_given_spam = math.log( 1 / (sum(self.word_counts['spam'].values()) + len(self.vocab)))
                        log_w_given_ham = math.log(
                            (self.word_counts['ham'][word] + 1) / (sum(self.word_counts['ham'].values()) + len(
                                self.vocab)))
 
                # 把计算到的P(内容|垃圾邮件)和P(内容|正常邮件)加起来
                spam_score += log_w_given_spam
                ham_score += log_w_given_ham
 
                flag_2 += 1
 
                # 最后，还要把先验加上去，即P(垃圾邮件)和P(正常邮件)
                spam_score += self.log_class_priors['spam']
                ham_score += self.log_class_priors['ham']
 
            # 最后进行预测，如果spam_score > ham_score则标志为1，即垃圾邮件
            if spam_score > ham_score:
                result.append(1)
            else:
                result.append(0)
 
            flag_1 += 1
 
        return result
 
MNB = SpamDetector()
MNB.fit(X[100:], y[100:])
pred = MNB.predict(X[:100])
true = y[:100]
 
accuracy = 0
for i in range(100):
    if pred[i] == true[i]:
        accuracy += 1
print(accuracy) # 0.98