【大数据部落】WEKA文本挖掘分析垃圾邮件分类模型

业务背景

电子邮件的应用变的十分广泛，它给人们的生活带来了极大的方便，然而，作为其发展的副产品——垃圾邮件，却给广大用户、网络管理员和ISP(Internet服务提供者)带来了大量的麻烦。垃圾邮件问题日益严重，受到研究人员的广泛关注。 垃圾邮件通常是指未经用户许可，但却被强行塞入用户邮箱的电子邮件。对于采用群发等技术的垃圾邮件，必须借助一定的技术手段进行反垃圾邮件工作。目前，反垃圾邮件技术主要包括：垃圾邮件过滤技术、邮件服务器的安全管理以及对简单邮件通信协议(SMTP)的改进研究等。 

WEKA文本分词预处理

首先对于训练集文件夹中的两类邮件文档进行分析，可从不同角度自动化分析两类文件特征，编写算法，构建分类模型。

首先设置工作目录，并且读取分类后的文本文件

可以看到垃圾邮件和非垃圾邮件的频数直方图

 

然后对得到的原始语料进行分词处理 得到词频矩阵文件

 

得到各个词频的分类直方图

得到词频矩阵后 对数据进行分类器的建模

2. 对corpus中的attribute进行分析，找出对于分类有贡献的attribute（即那些词只出现在positive中，那些词只出现在negative中,哪些词在两个类别里都出现）

 

3. 找出区分positive和negative的分类规则（即哪些词在一起出现的时候会导致分类器判断的结果为positive，哪些词在一起出现的时候会导致分类器判断的结果为negative）

 

从结果可以看出cell efficiengcy however breast rates 和cell这些词对最后的分类结果有较大的影响 如有however的一般为负面词 。

WEKA文本分词结果比较

下面得到每个分类器的准确度和混淆矩阵：

 

NaiveBayes

Logistic

J48

RandomForest

SVM

OneR

结语

基于判别方法的垃圾邮件过滤在现代研究中引起比较少的关注 ，结果很清楚地表明,基于随机森林、SVM模型的分类方法相对于传统的方法,在垃圾邮件的过滤方面,可以有效地提高正确率和准确率。

大数据部落——中国专业的第三方数据服务提供商，提供定制化的一站式数据挖掘和统计分析咨询服务统计分析和数据挖掘咨询服务 ：y0.cn/teradat（咨询服务请联系官网客服）QQ：3025393450 【大数据部落】提供定制化的一站式数据挖掘和统计分析咨询服务

分享最新的大数据资讯，每天学习一点数据分析，让我们一起做有态度的数据人微信客服号：lico_9eQQ交流群：186388004