利用朴素贝叶斯模型识别垃圾邮件

转载请注明出处：

http://blog.csdn.net/gane_cheng/article/details/53219332

http://www.ganecheng.tech/blog/53219332.html （浏览效果更好）

在学习，工作，生活中，我们经常会遇到各种分类问题。

让你猜测一个身高2.16的人的职业，你一般会猜测他是篮球运动员。

收到一条含有“中奖”词语的短信，会怀疑是一条垃圾短信。

新闻编辑，收到一封含有“马云”词语的稿子，会倾向于将这个新闻放在科技板块，而不是财经，娱乐，体育板块。

去找一家餐馆吃饭，我们倾向于找人多的一家。

贝叶斯将生活中的概率问题，用数学方式表示了出来。下面，让我们看看朴素贝叶斯模型如何识别垃圾邮件这个问题。

概念简介

贝叶斯(约1701-1761) Thomas Bayes，英国数学家。约1701年出生于伦敦，做过神甫。1742年成为英国皇家学会会员。1761年4月7日逝世。贝叶斯在数学方面主要研究概率论。他首先将归纳推理法用于概率论基础理论，并创立了贝叶斯统计理论，对于统计决策函数、统计推断、统计的估算等做出了贡献。

贝叶斯定理也称贝叶斯推理，早在18世纪，英国学者贝叶斯(1702～1763)曾提出计算条件概率的公式用来解决如下一类问题：假设H[1],H[2]…,H[n]互斥且构成一个完全事件，已知它们的概率P(H[i]),i=1,2,…,n,现观察到某事件A与H[,1],H[,2]…,H[,n]相伴随机出现，且已知条件概率P(A/H[,i])，求P(H[,i]/A)。
贝叶斯公式（发表于1763年）为：

P(H[i]|A)=P(H[i])*P(A│H[i])/{P(H[1])*P(A│H[1]) +P(H[2])*P(A│H[2])+…+P(H[n])*P(A│H[n])}

对其进行重新表示。

P(Ai|B)=P(B|Ai)P(Ai)∑ni=1P(B|Ai)P(Ai)(公式1)

其中 Ai,…,An 为完备事件组，即 ⋃ni=1Ai=Ω,Ai⋂Aj=ϕ,P(Ai)>0 。

推导过程：

对于两个关联事件A和B，同时发生的概率为： P(AB)=P(A|B)P(B)=P(B|A)P(A) 。因此可以得到：

P(A|B)=P(B|A)P(A)P(B)

其中， P(B)=P(B|A)P(A)+P(B|A¯¯¯)P(A¯¯¯) 。因此可以得到。

P(A|B)=P(B|A)P(A)P(B|A)P(A)+P(B|A¯¯¯)P(A¯¯¯)(公式2)

公式1如果A只有两种情况，则为公式2。

朴素贝叶斯：假设给定目标值时属性之间相互条件独立。根据公式1，在给定事件B的值的情况下， Ai,…,An 是相互独立的。

朴素贝叶斯模型：根据贝叶斯定理和朴素贝叶斯假设条件，从训练集中训练出来的模型。

原理分析

现在的情况是这样的。有一个邮箱服务，里面有成千上万的人发送和接收邮件。可以使用黑名单来屏蔽垃圾邮件，但是对于一封新邮箱地址发送的邮件，却不能识别。现在需要对邮件进行分析，判断其是垃圾邮件的概率，来帮助管理员分担一部分工作。

转换成数学问题，就是。现在有一个邮件的数据集，数据集可以从这个网址下载。

http://archive.ics.uci.edu/ml/datasets/SMS+Spam+Collection

数据集中每一行代表一封邮件。以spam开头代表是垃圾邮件，以ham开头代表是正常邮件。现在使用这个数据集训练出一个朴素贝叶斯模型。

再来任意一封邮件，由模型判断出这封邮件是垃圾邮件的概率。

如果这封邮件为垃圾邮件，则识别成功，如果为正常邮件，则识别错误。

有两个标准来评价模型的价值。召回率(Recall Rate)和准确率(Precision Rate)

-	实际为垃圾邮件	实际为正常邮件
识别为垃圾邮件	A	B
识别为正常邮件	C	D

A，B，C，D为对应的数量。

则召回率为：

R=AA+C(召回率)

准确率为：

P=AA+B(准确率)

注意：准确率和召回率是互相影响的，理想情况下肯定是做到两者都高，但是一般情况下准确率高、召回率就低，召回率低、准确率高，当然如果两者都低，那是什么地方出问题了。

如果是做搜索，那就是保证召回的情况下提升准确率；如果做疾病监测、反垃圾，则是保准确率的条件下，提升召回。

所以，在两者都要求高的情况下，可以用F1来衡量。

F1=2PRP+R(F1)

识别的过程

1.输入所有邮件，然后得到邮件中每个单词出现在垃圾邮件中的次数，出现在正常邮件中的次数，垃圾邮件有多少封，正常邮件有多少封。模型就训练出来了。

2.然后输入一封待处理邮件，找到里面所有出现的关键词。求出 P(A|T1,…Tn) ，A为一封邮件是垃圾邮件的事件，T为关键词出现在一封邮件中的事件。 T1,…Tn 是多个关键词。A和T是关联的事件。 T1,…Tn 每个关键词根据朴素贝叶斯的假设，是相互独立的。 P(A|T1,…Tn) 为 T1,…Tn 这些关键词同时出现的情况下A是垃圾邮件的概率。

P(A|T1,…Tn)=P(T1,…Tn|A)P(A)P(T1,…Tn)=P(T1|A)P(T2|A)…P(Tn−1|A)P(Tn|A)P(A)P(T1)P(T2)…P(Tn−1)P(Tn)(公式3)

P(A|T1,…Tn) 求出之后，就得到一个概率，我们可以自己设置一个阈值，比如说概率大于95%时，认为此邮件为垃圾邮件。

3.一封邮件可以确定之后，我们可以从数据集中随机选取一部分邮件作为测试集，测试这些邮件的效果，得到测试的召回率和准确率，然后评价算法的效果。

JAVA实现

定义模型。

本例中，是用关键词是否出现，以及出现的频率来判断邮件是否为垃圾邮件的。

class KeywordCount
{
// 关键词
public String keyword;
// 此关键词在垃圾邮件中出现的次数
public int spam;
// 垃圾邮件总数量
public int spamAll;
// 此关键词在正常邮件中出现的次数
public int legit;
// 正常邮件总数量
public int legitAll;
// 这个关键词存在的情况下,是垃圾邮件的概率
public double combiningProbabilities;
}

将邮件中所有单词预设为关键字

        // 得到所有单词
String[] banword = getAllWordsFromFile("TrainingSet/SMSSpamCollection");

// 预热数据,将所有关键字放在一个Map中
        Map<String, KeywordCount> keywordMap = new HashMap<String, KeywordCount>();
for (String s : banword)
        {
            keywordMap.put(s, new KeywordCount(s, 0, 0, 0, 0));
        }

统计每个单词在所有邮件中出现的情况

// 得到所有训练邮件列表
        List<String> mailList = getContentFromFile("TrainingSet/SMSSpamCollection");

// 统计垃圾邮件出现的次数
int spamNumber = 0;
// 统计正常邮件出现的次数
int legitNumber = 0;
// 统计每个关键字在正常邮件和垃圾邮件中出现的次数
for (int i = 0; i < mailList.size(); i++)
        {
            String mailContent = mailList.get(i);

// 看真实情况是否是垃圾邮件
if (mailContent.startsWith("spam"))
            {
for (Map.Entry<String, KeywordCount> entry : keywordMap.entrySet())
                {
boolean containFlag = FilterKeyWord(mailContent, entry.getKey());
                    KeywordCount keywordCount = entry.getValue();

if (containFlag == true)
                    {
                        keywordCount.spam += 1;
                    }
                    keywordCount.spamAll += 1;
                }
                spamNumber++;
            }
else
            {
for (Map.Entry<String, KeywordCount> entry : keywordMap.entrySet())
                {
boolean containFlag = FilterKeyWord(mailContent, entry.getKey());
                    KeywordCount keywordCount = entry.getValue();

if (containFlag == true)
                    {
                        keywordCount.legit += 1;
                    }
                    keywordCount.legitAll += 1;

                }
                legitNumber++;
            }
        }

过滤关键词

得到单个单词出现的情况下邮件是否为垃圾邮件的概率，并设定一个阈值，是否留下这个关键字。

        List<String> needRemoveKey = new ArrayList<String>();
        // 得到每一个关键字出现的情况下是垃圾邮件的概率的概率
        for (Map.Entry<String, KeywordCount> entry : keywordMap.entrySet())
        {
            KeywordCount kcTemp = entry.getValue();
            if (kcTemp.spam + kcTemp.legit == 0)
            {
                needRemoveKey.add(entry.getKey());
                continue;
            }

            double Spam = 1.0 * kcTemp.spam / kcTemp.spamAll;
            double SpamAll = 1.0 * kcTemp.spamAll / (kcTemp.spamAll + kcTemp.legitAll);
            double Legit = 1.0 * kcTemp.legit / kcTemp.legitAll;
            double LegitAll = 1.0 * kcTemp.legitAll / (kcTemp.spamAll + kcTemp.legitAll);

            kcTemp.combiningProbabilities = (Spam * SpamAll) / (Spam * SpamAll + Legit * LegitAll); // 根据（公式2）

            if (kcTemp.combiningProbabilities < 0.90)
            {
                needRemoveKey.add(entry.getKey());
            }
        }

        // 过滤得到所有符合要求的对垃圾邮件有较高识别度的关键词
        for (String s : needRemoveKey)
        {
            keywordMap.remove(s);
        }

分类算法识别测试集中的邮件

// 得到所有测试邮件列表
        List<String> testMailList = getContentFromFile("TestSet/TestFile.txt");
// 成功识别的数量
int rightCount = 0;
//识别错误的数量
int wrongCount = 0;
// 总共垃圾邮件数量
int spamCount = 0;
for (String mail : testMailList)
        {
// 找到这封邮件含有的关键字
            String thisMail = mail;

// 总共垃圾邮件数量
if (thisMail.startsWith("spam"))
            {
                spamCount++;
            }

            List<String> oneMailKeywordList = new ArrayList<String>();

for (Map.Entry<String, KeywordCount> entry : keywordMap.entrySet())
            {
                boolean containFlag = FilterKeyWord(thisMail, entry.getKey());
if (containFlag == true)
                {
                    oneMailKeywordList.add(entry.getKey());
                }
            }

if (oneMailKeywordList.size() <= 0)
            {
// System.out.println("没有含有关键字,应该是正常邮件");
continue;
            }

// 得到这封邮件所有关键词的联合概率,根据(公式3)
double Pup = 1.0 * spamNumber / (spamNumber + legitNumber);
double Pdown = 1.0f;
for (String kw : oneMailKeywordList)
            {
                Pup = Pup * keywordMap.get(kw).spam / keywordMap.get(kw).spamAll;
                Pdown = Pdown * (keywordMap.get(kw).spam + keywordMap.get(kw).legit) / (spamNumber + legitNumber);
            }
double Pmail = Pup / (Pup + Pdown);

            System.out.println("该封邮件是垃圾邮件的概率为:" + Pmail + ",实际是否为垃圾邮件:" + thisMail.startsWith("spam"));

// 成功识别
if (Pmail > 0.999 && thisMail.startsWith("spam"))
            {
                rightCount++;
            }
// 识别错误
if (Pmail > 0.999 && thisMail.startsWith("ham"))
            {
                wrongCount++;
            }
        }
        System.out.println("垃圾邮件总数为" + spamCount + ",正确识别了" + rightCount + "封垃圾邮件，召回率" + rightCount * 1.0 / spamCount + ",准确率：" + rightCount * 1.0
                / (rightCount + wrongCount));
    }

测试数据

邮箱服务非常重要，规定邮件是垃圾邮件的概率大于99.9%以上才能定为垃圾邮件进行拦截。在这个前提下，过滤关键词时的阈值进行变动时，召回率和准确率的变动如下图所示。

前面已经说过了，拦截垃圾邮件要在保证准确率的前提下，提高召回率。从此次实验，可以知道，过滤关键词时阈值设为93%，可以得到准确率100%，召回率84.5%。也就是说每100封垃圾邮件，只有84.5封被识别出来了。但是没有出现正常邮件识别为垃圾邮件的情况。

源码下载

本文实现代码可以从这里下载。

http://download.csdn.net/detail/gane_cheng/9687258

GitHub地址在这儿。

https://github.com/ganecheng/SpamFilter

后续改进

改进点1：增大训练集的数据量，提高算法有效性。

理论上，把所有邮件都作为训练集，最能接近真实情况。但是数据量越大，计算花费的时间就越长。

改进点2：增加特征向量，提高算法有效性。

实际情况，可能不只是关键词这种因素在影响着结果。也有可能是邮件的长度，关键词出现的频率，邮件发件人所在的地区，等等。增加更多维度，来提高算法有效性。

改进点3：对有关联的关键词先聚类，提高算法有效性。

上面的实验基于一个假设，就是每个关键词是否出现都是独立发生的，事实上，关键词之间的出现是有一定关联的，如果将关联比较高的关键词先聚类，再运用朴素贝叶斯模型计算，结果会更合理一些。

朴素贝叶斯的优缺点

优点：

一、朴素贝叶斯模型发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。

二、NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。

缺点：

一、理论上，NBC模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此，这是因为NBC模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的（可以考虑用聚类算法先将相关性较大的属性聚类），这给NBC模型的正确分类带来了一定影响。在属性个数比较多或者属性之间相关性较大时，NBC模型的分类效率比不上决策树模型。而在属性相关性较小时，NBC模型的性能最为良好。

二、需要知道先验概率。

三、分类决策存在错误率

参考文献

贝叶斯定理 http://baike.baidu.com/item/%E8%B4%9D%E5%8F%B6%E6%96%AF%E5%AE%9A%E7%90%86

数学之美番外篇：平凡而又神奇的贝叶斯方法 http://mindhacks.cn/2008/09/21/the-magical-bayesian-method/

Naive Bayes算法 http://blog.sina.com.cn/s/blog_626896c10101ikla.html

准确率与召回率 http://blog.csdn.net/wangzhiqing3/article/details/9058523

各种分类算法的优缺点 http://bbs.pinggu.org/thread-2604496-1-1.html

机器学习实战1：朴素贝叶斯模型:文本分类+垃圾邮件分类 http://www.cnblogs.com/rongyux/p/5602037.html