手把手教你用 Python 和 Scikit-Learn 实现垃圾邮件过滤

文本挖掘（Text
Mining，从文字中获取信息）是一个比较宽泛的概念，这一技术在如今每天都有海量文本数据生成的时代越来越受到关注。目前，在机器学习模型的帮助下，包括情绪分析，文件分类，话题分类，文本总结，机器翻译等在内的诸多文本挖掘应用都已经实现了自动化。

在这些应用中，垃圾邮件过滤算是初学者实践文件分类的一个很不错的开始，例如 Gmail
账户里的“垃圾邮箱”就是一个垃圾邮件过滤的现实应用。下面我们将基于一份公开的邮件数据集
Ling-spam，编写一个垃圾邮件的过滤器。Ling-spam 数据集的下载地址如下：

http://t.cn/RKQBl9c

这里我们已经从 Ling-spam 中提取了相同数量的垃圾邮件和非垃圾邮件，具体下载地址如下：

http://t.cn/RKQBkRu

下面我们将通过以下几个步骤，编写一个现实可用的垃圾邮件过滤器。

1. 准备文本数据；

2. 创建词典（word dictionary）；

3. 特征提取；

4. 训练分类器。

最后，我们会通过一个测试数据集对过滤器进行验证。

  1. 准备文本数据

这里我们将数据集分成了训练集（702封邮件）和测试集（260封邮件）两部分，其中垃圾和非垃圾邮件各占 50%。这里因为每个垃圾邮件的数据集都以 spmsg 命名，因此很容易区分。

在大部分的文本挖掘问题中，文本清理都是第一步，即首先要清理掉那些与我们的目标信息无关的词句，本例中也一样。通常邮件里一般都会包含很多无用的字符，比如标点符号，停用词，数字等等，这些字符对检测垃圾邮件没什么帮助，因此我们需要将它们清理掉。这里
Ling-spam 数据集里的邮件已经经过了以下几个步骤的处理：

a) 清除停用词 --- 像 "and", "the", "of" 等这些停用词在英语语句中非常常见。然而，这些停用词对于判定邮件的真实身份并没有什么卵用，所以这些词已经从邮件中被移除。

b) 词形还原 --- 这是一种把同一个词的不同形式组合在一起，以便被当做一个单独项目来分析的过程。举个栗子，"include",
"includes" 和 "included" 就可以全部用 "include"
来代表。与此同时，语句的上下文含义也会通过词形还原的方法保留下来，这一点不同于词干提取 (stemming)
的方法（注：词干提取是另一种文本挖掘的方法，此法不考虑语句的含义）。

此外，我们还需要移除一些非文字类的符号（non-words），比如标点符号或者特殊字符之类的。要实现这一步有很多方法，这里，我们将首先创建一个词典（creating
a
dictionary），之后再移除这些非文字类的符号。需要指出的是，这种做法其实非常方便，因为当你手上有了一个词典之后，对于每一种非文字类符号，只需要移除一次就
ok 了。

  2. 创建词典（Creating word dictionary）

一个数据集里的样本邮件一般长这样：

1. Subject: posting 
2.  
3. hi , ' m work phonetics project modern irish ' m hard source . anyone recommend book article english ? ' , specifically interest palatal ( slender ) consonant , work helpful too . thank ! laurel sutton ( sutton @ garnet . berkeley . edu 

你会发现邮件的第一行是标题，从第三行开始才是正文。这里我们只在邮件正文内容的基础上做文本分析，来判定该邮件是否为垃圾邮件。第一步，我们需要创建一个文字的词典和文字出现的频率。为了创建这样一个“词典”，这里我们利用了训练集里的
700 封邮件。具体实现详见下面这个 Python 函数：

1. def make_Dictionary(train_dir): 
2.     emails = [os.path.join(train_dir,f) for f in os.listdir(train_dir)]     
3.     all_words = []        
4.     for mail in emails:     
5.         with open(mail) as m: 
6.             for i,line in enumerate(m): 
7.                 if i == 2:  #Body of email is only 3rd line of text file 
8.                     words = line.split() 
9.                     all_words += words 
10.      
11.     dictionary = Counter(all_words) 
12.     # Paste code for non-word removal here(code snippet is given below)  
13.     return dictionary 

词典创建好之后，我们只要在上面函数的基础上再加几行代码，就可以移除之前提到的那些非文字类符号了。这里我还顺手删掉了一些与垃圾邮件的判定无关的单字符，具体参见如下的代码，注意这些代码要附在
def make_Dictionary(train_dir) 函数的末尾。

1. list_to_remove = dictionary.keys() 
2. for item in list_to_remove: 
3.     if item.isalpha() == False:  
4.         del dictionary[item] 
5.     elif len(item) == 1: 
6.         del dictionary[item] 
7. dictionary = dictionary.most_common(3000) 

这里通过输入 print dictionary
指令就可以输出词典。需要注意的是，你在打印输出的词典里可能会看到许多无关紧要的词，这一点无需担心，因为我们在后续的步骤中总是有机会对其进行调整的。另外，如果你是严格按照上文提到的数据集操作的话，那么你的词典里应该会有以下这些高频词（本例中我们选取了频率最高的
3000 个词）：

[('order', 1414), ('address', 1293), ('report', 1216), ('mail',
1127), ('send', 1079), ('language', 1072), ('email', 1051), ('program',
1001), ('our', 987), ('list', 935), ('one', 917), ('name', 878),
('receive', 826), ('money', 788), ('free', 762)

  3. 特征提取

词典准备好之后，我们就可以对训练集里的每一封邮件提取维度是 3000 的词数向量 word count
vector（这个向量就是我们的特征），每一个词数向量都包含之前选定的 3000
个高频词具体的出现频率。当然，你可能猜到了，大部分出现的频率应该会是 0。举个栗子：比如我们字典里有 500 个词，每个词数向量包含了训练集里这
500 个词的出现频率。假设训练集有一组文本：“Get the work done, work
done”。那么，这句话对应的词数向量应该是这样的：[0,0,0,0,0,…….0,0,2,0,0,0,……,0,0,1,0,0,…0,0,1,0,0,……2,0,0,0,0,0]。在这里，句中的每个词出现的频率都能显示出来：这些词分别对应长度为
500 的词数向量中的第 296，359，415 和 495 的位置，其他位置显示为 0。

下面这个 python 函数会帮助我们生成一个特征向量矩阵，该矩阵有 700 行 3000 列。其中每一行代表训练集中 700
封邮件的的每一封邮件，每一列代表词典中的 3000 个关键词。在 “ij” 位置上的值代表了词典中第 j 个词在该邮件（第 i
封）中出现的次数。

1. def extract_features(mail_dir):  
2.     files = [os.path.join(mail_dir,fi) for fi in os.listdir(mail_dir)] 
3.     features_matrix = np.zeros((len(files),3000)) 
4.     docID = 0; 
5.     for fil in files: 
6.       with open(fil) as fi: 
7.         for i,line in enumerate(fi): 
8.           if i == 2: 
9.             words = line.split() 
10.             for word in words: 
11.               wordID = 0 
12.               for i,d in enumerate(dictionary): 
13.                 if d[0] == word: 
14.                   wordID = i 
15.                   features_matrix[docID,wordID] = words.count(word) 
16.         docID = docID + 1      
17.     return features_matrix 

4.训练分类器

在这里我们会使用 scikit-learn 机器学习库来训练分类器，scikit-learn 库的相关链接如下：

http://t.cn/SMzAoZ

这是一个绑定在第三方 python 发行版 Anaconda 的开源机器学习库，可以跟随 Anaconda 一同下载安装，或者也可以按照以下链接中的提示独立安装：

http://t.cn/8kkrVlQ

安装好了之后，我们只需要将其 import 到我们的程序中就可以使用了。

这里我们训练了两个模型，分别是朴素贝叶斯分类器和
SVM（支持向量机）。朴素贝叶斯分类器是一个传统的监督型概率分类器，在文本分类的场景中非常常用，它基于贝叶斯定理，假设每一对特征都是相互独立的。SVM

是监督型的二分类器，面对特征数量较多的场景时非常有效，其最终目标是从训练数据中分离出一组子集，称为支持向量（分离超平面的边界）。判定测试数据最终类别的
SVM 决策函数正是基于该支持向量和内核技巧（kernel trick）的。

分类器训练完成后，我们可以在测试集上测试模型的性能。这里我们为测试集中的每封邮件提取字数向量，然后用训练好的朴素贝叶斯分类器和 SVM
模型，预测它的类别（普通邮件或垃圾邮件）。下面是垃圾邮件分类器的完整 python 代码，另外还需要包含我们在步骤 2 和步骤 3
中定义的两个函数。

1. import os 
2. import numpy as np 
3. from collections import Counter 
4. from sklearn.naive_bayes import MultinomialNB, GaussianNB, BernoulliNB 
5. from sklearn.svm import SVC, NuSVC, LinearSVC 
6. from sklearn.metrics import confusion_matrix  
7. # Create a dictionary of words with its frequency 
8.  
9. train_dir = 'train-mails' 
10. dictionary = make_Dictionary(train_dir) 
11.  
12. # Prepare feature vectors per training mail and its labels 
13.  
14. train_labels = np.zeros(702) 
15. train_labels[351:701] = 1 
16. train_matrix = extract_features(train_dir) 
17.  
18. # Training SVM and Naive bayes classifier 
19.  
20. model1 = MultinomialNB() 
21. model2 = LinearSVC() 
22. model1.fit(train_matrix,train_labels) 
23. model2.fit(train_matrix,train_labels) 
24.  
25. # Test the unseen mails for Spam 
26. test_dir = 'test-mails' 
27. test_matrix = extract_features(test_dir) 
28. test_labels = np.zeros(260) 
29. test_labels[130:260] = 1 
30. result1 = model1.predict(test_matrix) 
31. result2 = model2.predict(test_matrix) 
32. print confusion_matrix(test_labels,result1) 
33. print confusion_matrix(test_labels,result2) 

性能测试

这里我们的测试集中包含 130 封垃圾邮件和 130 封非垃圾邮件，如果你已经顺利完成了之前的所有步骤，那么你将会得到如下的结果。这里显示的是两个模型在测试数据中的混淆矩阵，对角元素代表了正确识别的邮件数，非对角元素代表的则是错误的分类。

可以看到，两个模型在测试集上有着相近的性能，但 SVM 更倾向垃圾邮件的判定。需要注意的是，这里的测试数据集既没有用于创建字典，也没有用于模型训练。

  拓展

感兴趣的朋友可以按照上文所述的步骤进行一些拓展，这里介绍拓展相关的数据库和结果。

拓展使用的是已经预处理好的 Euron-spam 数据库，其中包含了 6 个目录，33716 封邮件，每个目录中都包含非垃圾邮件和垃圾邮件子目录，非垃圾邮件和垃圾邮件的总数分别为 16545 封和 17171 封。Euron-spam 库的下载链接如下：

http://t.cn/RK84mv6

需要注意的是，由于 Euron-spam 数据库的组织形式有别于上文提到的 ling-spam 库，因此上文的一些函数也需要做少量的修改才能应用于 Euron-spam。

这里我们将 Euron-spam 数据库按照 3:2 的比例分为训练集和测试集，按照上文的步骤，我们在 13478 封测试邮件中得到了如下结果：

可以看到，SVM 的表现略胜于朴素贝叶斯。

  总结

在本文中我们尽量保持简单易懂的叙述，省略了许多技术性强的讲解和名词。我们希望这是一篇简单易懂的教程，希望这篇教程可以对文本分析感兴趣的初学者们有所裨益。

有些朋友可能会对朴素贝叶斯模型和 SVM 模型背后的数学原理感到好奇，这里需要指出的是，SVM
在数学上属于比较复杂的模型，而朴素贝叶斯则相对更容易理解一些。我们当然鼓励对数学原理感兴趣的朋友们深入探索，关于这些数学模型网上有非常详细的教程和实例。除此之外，采用不同的方式实现同一个目标，也是一种很好的研究方法。例如可以调节如下一些参数，观察它们对垃圾邮件过滤的实际效果的影响：

a) 训练数据的大小

b) 词典的大小

c) 不同的机器学习模型，包括 GaussianNB，BernoulliNB，SVC

d) 不同的 SVM 模型参数

e) 删除无关紧要的词来改进词典 （例如手动删除）

f) 采用其他特征模型 （寻找 td-idf）

最后，博客中提到的完整 python 代码详见如下链接：

http://t.cn/R6ZeuiN

若有问题，欢迎在文末留言讨论。

作者：AI研习社

来源：51CTO