基于贝叶斯方法的垃圾邮件过滤工具

为了应付人工智能大作业，做了一个简单的垃圾邮件过滤工具，后来找到现成的语料（自己能找上千封分好类的邮件作为资料再慢慢一封封解析不太容易，我又不是搞人工智能的），所以最后一共也就写了300行代码。

处理好的语料的包含类别信息+54个特征词在邮件中的出现情况，一共4000多封的内容信息。

邮件用多变量贝努力事件模型表示，说白了就是忽视单词的频率，每个词在该邮件的情况，出现过置1，没出现置0，相对于考虑频率的各种模型和方法，这样算是大大简化了，但是资料说，其实这样的效果也差不了多少，在小规模数据甚至更好。

很多论文中是以信息增益作为特征选择排序的计算方法，计算公式也不复杂，至于我使用的spambase（http://www.ics.uci.edu/~mlearn/MLRepository.html）语料就不知道它是咋算的了，但是里面给出的54个关键词倒是有点奇怪，一些常用词没有，估计是做了一定优化处理，从关键词感觉垃圾邮件大多是推销商品的那种，可能我的工具代表性、推广性一般般，最后用这么简单的方法，得到的过滤效率居然高于百分之90，也没经过任何优化，还是有点意外的，不知道换一种语料情况如何。

至于其他细节也懒得记了，好久没写过Java，还是赶紧学起Java，主要记一些敲代码碰到的小问题吧。

1.上来用JDBC连数据库，告诉我Driver的类查不到，以前用数据库好像没印象要下个专门的mysql-jdbc-connection包，反正下了个导进去也就好了

2.通过sql语句查询得到的结果集ResultSet，单个循环取值没问题，用同一个Statement查询得到2个ResultSet并交替取值，报错说结果集关闭了，不能用一个Statement交替操作两个，后来多声明一个Statement也就行了

3.读取一行文件时，最后可能多一个换行符

4.两个整数相除时会自动将小数点后阶段，并返回整数，所以计算30/1700一直给我得到0，哪怕你用浮点数赋值也没用，先返回int，再帮你转成double，所以必须将两整数其一或是两者都强制转换为浮点数，或者这样在右侧强转float r1=(float)wrongNormal/normalNum;