利用朴素贝叶斯算法实现垃圾邮件的过滤,并结合Adaboost改进该算法
2016-04-17 09:28
363 查看
NaiveBayesSpamFilter V1.0
利用朴素贝叶斯算法实现垃圾邮件的过滤,并结合Adaboost改进该算法。1 Naive Bayes spam filtering
假设邮件的内容中包含的词汇为Wi,垃圾邮件Spam,正常邮件ham。判断一份邮件,内容包含的词汇为Wi,判断该邮件是否是垃圾邮件,即计算P(S|Wi)这个条件概率。根据Bayes’ theorem:
其中:
Pr(S|Wi) 出现词汇Wi的邮件是垃圾邮件的条件概率(即后验概率);
Pr(S) 训练阶段邮件数据集中垃圾邮件的概率,或实际调查的垃圾邮件的概率(即先验概率);
Pr(Wi|S) 垃圾邮件中词汇Wi出现的概率;
Pr(H) 训练阶段邮件数据集中正常邮件的概率,或实际调查的正常邮件的概率;
Pr(Wi|H) 正常邮件中词汇Wi出现的概率;
对于邮件中出现的所有词汇,考虑每个词汇出现事件的独立性,计算Pr(S|Wi)的联合概率Pr(S|W),W={W1,W2,…Wn}:
其中:
- P 即Pr(S|W),出现词汇W={W1,W2……Wn}的邮件是垃圾邮件的条件概率;
- Pi 即Pr(S|Wi),出现词汇Wi的邮件是垃圾邮件的条件概率;
注:程序中,通过计算出Pr(S|W)和Pr(H|W),比较Pr(S|W)和Pr(H|W)的大小,判断是垃圾邮件还是正常邮件。我们发现Pr(S|W)和Pr(H|W)计算的分母相同,所以我们只需要比较分子即可。
但存在两个问题:
当词汇不存在时,即ni=0,此时Pr(S|Wi) = 0,会造成P=0,无法比较
当Pr(S|Wi)较小时,连乘操作会造成下溢出问题
解决方案:
- 计算P(Wi|S)和P(Wi|H)时,将所有词汇初始化出现的次数为1,并将分母初始化为2。
# 统计语料库中词汇在S和H中出现的次数 wordsInSpamNum = np.ones(numWords) wordsInHealthNum = np.ones(numWords) spamWordsNum = 2.0 healthWordsNum = 2.0
计算P(Wi|S)和P(Wi|H)时,对概率取对数
pWordsSpamicity = np.log(wordsInSpamNum / spamWordsNum) pWordsHealthy = np.log(wordsInHealthNum / healthWordsNum)
所以最终比较的是,P(W1|S)P(W2|S)….P(Wn|S)P(S)和P(W1|H)P(W2|H)….P(Wn|H)P(H)的大小。
ps = sum(testWordsMarkedArray * pWordsSpamicity) + np.log(pSpam) ph = sum(testWordsMarkedArray * pWordsHealthy) + np.log(1 - pSpam)
**测试效果:**5574个样本,采用交叉验证,随机选取4574个作为训练样本,产生词汇列表(语料库),对1000个测试样本,分类的平均错误率约为:2.5%。
2 Running Adaboost on Naive Bayes
我们在计算ps和ph联合后验概率时,可引入一个调整因子DS,其作用是调整词汇表中某一词汇的“垃圾程度”(spamicity),ps = sum(testWordsMarkedArray * pWordsSpamicity * DS) + np.log(pSpam)
其中DS通过Adaboost算法迭代获取最佳值。原理如下:
设定adaboost循环的次数count 交叉验证随机选择1000个样本 DS初始化为和词汇列表大小相等的全一向量 迭代循环count次: 设定最小分类错误率为inf 对于每一个样本: 在当前DS下对样本分类 如果分类出错: 计算出错的程度,即比较ps和ph的相差alpha 如果样本原本是spam,错分成ham: DS[样本包含的词汇] = np.abs(DS[样本包含的词汇] - np.exp(alpha) / DS[样本包含的词汇]) 如果样本原本是ham,错分成spam: DS[样本包含的词汇] = DS[样本包含的词汇] + np.exp(alpha) / DS[样本包含的词汇] 计算错误率 保存最小的错误率和此时的词汇列表、P(Wi|S)和P(Wi|H)、DS等信息,即保存训练好的最佳模型的信息
**测试效果:**5574个样本,获取Adaboost算法训练的最佳模型信息(包括词汇列表、P(Wi|S)和P(Wi|H)、DS等),对1000个测试样本,分类的平均错误率约为:0.5%。
References
Running Adaboost on Naive BayesBoosting and naive bayesian learning
Naive Bayes spam filtering
Code
NaiveBayesSpamFilter 完整源代码见 Github相关文章推荐
- 让EditText不能自动获取焦点
- 浅谈dispatcher层------内附详图
- 27.JAVA编程思想——违例的限制
- 第七周学习进度
- 26.JAVA编程思想——创建自己的违例
- 25.JAVA编程思想——标准Java违例
- java内部比较器、外部比较器实现
- 24.JAVA编程思想——违例差错控制
- css书写顺序
- POJ 3268 Silver Cow Party
- Android基于金融类应用程序的破解以及防护
- 关于在构造函数初始化列表
- hdu1004(map容器)
- jqGrid 学习笔记整理――进阶篇(一 )
- CF #347 (Div.2) C. International Olympiad(模拟)
- 23.JAVA编程思想——实用工具
- 22.JAVA编程思想——排序和搜索
- hdoj 1203 I NEED A OFFER!
- Swift中的iOS设计模式(二)
- 21.JAVA编程思想——未支持的操作