Python+sklearn使用朴素贝叶斯算法识别中文垃圾邮件

总体思路与步骤：

1、从电子邮箱中收集垃圾和非垃圾邮件训练集。

2、读取全部训练集，删除其中的干扰字符，例如【】*。、，等等，然后分词，删除长度为1的单个字。

3、统计全部训练集中词语的出现次数，截取出现次数最多的前N（可以根据实际情况进行调整）个。

4、根据每个经过第2步预处理后垃圾邮件和非垃圾邮件内容生成特征向量，统计第3步中得到的N个词语分别在本邮件中的出现频率。

5、根据第4步中得到特征向量和已知邮件分类创建并训练朴素贝叶斯模型。

6、读取测试邮件，参考第2步，对邮件文本进行预处理，提取特征向量。

7、使用第5步中训练好的模型，根据第6步提取的特征向量对邮件进行分类。

参考代码：

1、导入需要用到的标准库和扩展库对象。

2、读取全部训练集，删除干扰字符或长度为1的单词。

3、创建贝叶斯模型，使用已有数据进行训练。

4、使用训练好的模型对未知邮件内容进行分类。

说明：分类有误差是正常的，增加训练集和调整模型参数，可以提高准确率。

邮件训练集下载地址：

链接: https://pan.baidu.com/s/1wBRbCATYlqCaYc848ydGAQ

密码: q369