4.6使用朴素贝叶斯过滤垃圾邮件
其中有一部分函数在上一节的内容中记录过,因为该实例需要使用上节中介绍的某些函数,所以把那些函数拷贝过来了。
添加的新函数:text Parse(),spamTest()
其中spamTest()函数是对叶贝斯垃圾邮件分类器进行自动化处理。过程如下
- 导入文件夹spam和ham下的文本文件(分别对应正常邮件和垃圾邮件),将文本文件解析为词列表(['this','dog','hello'...]),并将所有文本对应的词列表添加到docList中,将对应的分类标签添加到标签向量classList中。
- 根据词列表集合得到该数据集的词汇表。
- 随机构建训练集索引:首先产生0-49共50个数的列表。然后产生10个随机数,这10个随机数对应测试集在整个数据集docList中的索引。在测试集索引中添加这10个随机数,在训练集索引中删除这10个随机数。
- 将训练集中词列表转化为词向量,并添加对应标签:根据训练集索引在doc List中获得词列表,再通过词汇表和相应函数转化为词向量。并添加对应的分类标签。
- 获得各特征在0,1分类下的概率(以列表形式),以及类别1的概率
- 对测试集分类:依次对测试集中的数据转化为词向量,根据概率,得到分类结果。并统计分类错误的邮件数,计算错误率
# -*- coding: utf-8 -*-
import random
from numpy import *
'''
函数功能:创建一个包含在所有文档中出现的不重复词的列表
输入:词条切割后的文本集合:list
输出:该文本集合的词汇表:list
函数思想:首先创建一个空集,用于存放最后的结果。然后依次读取文档中的样本数据,获取刚样本数据中不重复的元素
通过和存放词汇表的vocabSet求并集,可依次将不重复的词添加到vocabSet中。
'''
def createVocabList(dataset):
vocabSet = set([])#创建一个空集,用于存放包含在所有文档中出现的不重复词的列表
#将每篇文档返回的新词集合添加到vocabSet中
for document in dataset:
vocabSet = vocabSet | set(document)#|用于求两个集合的并集,
#set(document)表示该词条中出现的不重复的单词。然后求并集,可依次将未出现