垃圾邮件分类器的原理（2）

基本原理是：
1.拿到一批英文邮件，其中标记好哪些是正常，那些是垃圾，作为训练和测试样本
2.5000个样本，随机取4000个作为训练样本，另外1000个作为训练完成后的测试样本来验证判断效果准不准
3.对邮件进行预处理，把词缀ing，ies,es,ed,ied去除，这样使得不同时态的单词当成相同单词来处理,对所有数字统一替换为字符串“number”，对网址统一替换为“addr”，对网页标签字符直接删除，这些预处理的目的是把这些内容当成相同的特征来对待，提高准确率。
4.把所有英文常用词（这里只取1899个）放在一个数组里，检查每个训练样本，看是否含有这些常用词，含有就标1，不含就标0，做成个1899*1的数字向量。向量就是一维数字型数组，矩阵是二维数字型数组。

5.所有4000个样本的向量组成一个维度是4000*1899矩阵，用大写字母X表示。

...