机器学习--朴素贝叶斯算法案例

电子邮件垃圾过滤

1、如何从文本文档中构建自己的词列表。使用正则表达式切分句子，并将字符串全部转换为小写。

####################################
# 功能：切分文本
# 输入变量：大字符串 big_string
# 输出变量：字符串列表
####################################
def text_parse(big_string):

    list_of_tokens = re.split(r'W*', big_string)
    return [tok.lower() for tok in list_of_tokens if len(tok) > 2]

2、对贝叶斯垃圾邮件分类器自动化处理。本例中共有50封电子邮件，其中的10封电子邮件被随机选择为测试集，剩余部份作为训练集。通过量次迭代求出平均毛病率来衡量分类器的性能。

####################################
# 功能：垃圾邮件测试
# 输入变量：空
# 输出变量：毛病率
####################################
def spam_test():

    doc_list = []
    class_list = []

    for i in xrange(1, 26):

        word_list = text_parse(open('email/spam/%d.txt' % i).read())
        doc_list.append(word_list)
        class_list.append(1)

        word_list = text_parse(open('email/ham/%d.txt' % i).read())
        doc_list.append(word_list)
        class_list.append(0)

    vocab_list = create_vocab_list(doc_list)
    training_set = range(50)
    test_set = []

    # 从50封邮件中随机选择10封做为测试集，相应的在训练集中剔除这10封邮件
    for i in xrange(10):

        rand_index = int(random.uniform(0, len(training_set)))
        test_set.append(training_set[rand_index])
        del(training_set[rand_index])

    train_mat = []
    train_classes = []

    for doc_index in training_set:

        train_mat.append(set_of_words2vec(vocab_list, doc_list[doc_index]))
        train_classes.append(class_list[doc_index])

    p0v, p1v, p_spam = train_nb0(array(train_mat), array(train_classes))

    error_count = 0

    # 遍历测试集，对其中的每封邮件进行分类
    for doc_index in test_set:
        word_vector = set_of_words2vec(vocab_list, doc_list[doc_index])
        if classify_nb(array(word_vector), p0v, p1v, p_spam) != class_list[doc_index]:
            error_count += 1
            print 'classification error ', doc_list[doc_index]
    print 'the error rate is: ', float(error_count)/len(test_set)

3、代码测试

def main(): 

    spam_test()
if __name__ == '__main__':
    main()