開發(fā)工具

**Python版本：**3.6.4

相關(guān)模塊：

scikit-learn模塊；

jieba模塊；

numpy模塊；

以及一些Python自帶的模塊。

環(huán)境搭建

安裝Python并添加到環(huán)境變量，pip安裝需要的相關(guān)模塊即可。

逐步實(shí)現(xiàn)

（1）劃分?jǐn)?shù)據(jù)集

網(wǎng)上用于垃圾郵件識別的數(shù)據(jù)集大多是英文郵件，所以為了表示誠意，我花了點(diǎn)時間找了一份中文郵件的數(shù)據(jù)集。數(shù)據(jù)集劃分如下：

訓(xùn)練數(shù)據(jù)集：

7063封正常郵件(data/normal文件夾下)；

7775封垃圾郵件(data/spam文件夾下)。

測試數(shù)據(jù)集：

共392封郵件(data/test文件夾下)。

（2）創(chuàng)建詞典

數(shù)據(jù)集里的郵件內(nèi)容一般是這樣的：

首先，我們利用正則表達(dá)式過濾掉非中文字符，然后再用jieba分詞庫對語句進(jìn)行分詞，并清除一些停用詞，最后再利用上述結(jié)果創(chuàng)建詞典，詞典格式為：

{“詞1”: 詞1詞頻, “詞2”: 詞2詞頻…}

這些內(nèi)容的具體實(shí)現(xiàn)均在**“utils.py”**文件中體現(xiàn)，在主程序中(train.py)調(diào)用即可：

最終結(jié)果保存在**“results.pkl”**文件內(nèi)。

大功告成了么？當(dāng)然沒有！?。?/p>

現(xiàn)在的詞典里有52113個詞，顯然太多了，有些詞只出現(xiàn)了一兩次，后續(xù)特征提取的時候一直空占著一個維度顯然是不明智的做法。因此，我們只保留詞頻最高的4000個詞作為最終創(chuàng)建的詞典：

最終結(jié)果保存在**“wordsDict.pkl”**文件內(nèi)。

（3）特征提取

詞典準(zhǔn)備好之后，我們就可以把每封信的內(nèi)容轉(zhuǎn)換為詞向量了，顯然其維度為4000，每一維代表一個高頻詞在該封信中出現(xiàn)的頻率，最后，我們將這些詞向量合并為一個大的特征向量矩陣，其大小為：

(7063+7775)×4000

即前7063行為正常郵件的特征向量，其余為垃圾郵件的特征向量。

上述內(nèi)容的具體實(shí)現(xiàn)仍然在**“utils.py”**文件中體現(xiàn)，在主程序中調(diào)用如下：

最終結(jié)果保存在**“fvs_%d_%d.npy”**文件內(nèi)，其中第一個格式符代表正常郵件的數(shù)量，第二個格式符代表垃圾郵件的數(shù)量。

（4）訓(xùn)練分類器

我們使用scikit-learn機(jī)器學(xué)習(xí)庫來訓(xùn)練分類器，模型選擇樸素貝葉斯分類器和SVM(支持向量機(jī))：

（5）性能測試

利用測試數(shù)據(jù)集對模型進(jìn)行測試：

結(jié)果如下：

可以發(fā)現(xiàn)兩個模型的性能是差不多的(SVM略勝于樸素貝葉斯)，但SVM更傾向于向垃圾郵件的判定。

到此這篇關(guān)于Python實(shí)現(xiàn)垃圾郵件的識別的文章就介紹到這了,更多相關(guān)Python識別垃圾郵件內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論