2.1 挑战：构建一个垃圾邮件检测引擎
我们将要处理的文档不是电子邮件，而是文本消息。我们的目标是使用来自英国的真实SMS（短消息服务）数据集发现垃圾短信，这些消息是我们从加州大学欧文分校机器学习知识库中找到的。
■ 附注：
UCI机器学习知识库由加州大学欧文分校的机器学习与智能系统中心于1987年启动。你可以在http://archive.ics.uci.edu/ml/中找到这个知识库，它包含将近300个干净、文档齐备的数据集，可以按照大小、特征类型等条件搜索和组织。这是一个很有趣的机器学习资源，包含了许多常常用作算法性能评估基准的“经典”数据集。
2.1.1 了解我们的数据集
在讨论使用哪个模型之前，首先来观察一下数据。数据集可以从http://1drv.ms/1uzMplL下载（这就是UCI知识库中原始文件的复制品，原始文件可以在http://archive.ics.uci.edu/ml/ datasets/SMS+Spam+Collection上找到）。它作为单个文本文件保存，名为SMSSpamCollection（没有文件扩展名），包含5574条真实的文本消息。每行是一个SMS，标记为“ham”（非垃圾短信）或者“spam”（垃圾短信）。下面是前面几行：
ham Go until jurong point, crazy.. Available only in bugis n great world la e buffet...Cine there got amore wat...
ham Ok lar... Joking wif u oni...
spam Free entry in 2 a wkly comp to win FA Cup final tkts 21st May 2005. Text FA to 87121 to receive entry question(std txt rate)T&C's apply 08452810075over18's
ham U dun say so early hor... U c already then say...
ham Nah I don't think he goes to usf, he lives around here though
spam FreeMsg Hey there darling it's been 3 week's now and no word back! I'd like some fun you up for it still? Tb ok! XxX std chgs to send, £1.50 to rcv```
第一眼的印象是，人们在文本消息中使用的语言明显不同于“标准英语”！例如“U c”这样的片段是“You see”的简写，在普通的词典中可能找不到。
考虑到这一点，我的第一步是尝试获得两组文本之间差别的“直觉”。有没有一些词语在垃圾短信或者非垃圾短信中出现得更频繁？这能够指导我们构建一个智能引擎，自动区分非垃圾短信和垃圾短信。我们首先按照类别（“ham”和“spam”）分解数据集，计算各自的词语出现频率。鉴于这一活动的探索特性，似乎很适合使用F#脚本。
■ 提示：
花点时间研究一下数据！盲目对数据集应用算法可能工作得不错，但是走不了太远。就像开发应用程序时应该花时间学习领域模型那样，对数据的更深入理解能够帮助你构建更智能的预测模型。
####2.1.2 使用可区分联合建立标签模型
数据是首要的，我们将采取和第1章相同的方式，但是有一些变化。数字识别数据集是由数字组成的（像素编码和标签都是如此），而这里的数据有一个特征（文本消息本身）和一个标签（“ham”或者“spam”）。我们应该如何表现它们？
可能的方法之一是将标签编码为布尔值，如非垃圾短信表示为“真”（true），垃圾短信表示为“假”（false）。这种标签工作得很完美，但是也有一些缺点：它不能自动说明字段的含义。例如，如果展示这样编码的一个数据记录：True Ok lar... Joking wif u oni... ,`
你怎么可能猜出这里的“True”代表什么？另一个潜在的问题是，如果我们需要增加更多的类别（如非垃圾短信、垃圾短信和有歧义的信息），布尔值无法扩展。
机器学习的难点在于不能增加额外、不必要的复杂性。因此，我们将用F#的可区分联合（有时我也将它称作DU）表示标签。如果你之前从未见过可区分联合，可以近似地将其看作C#枚举类型。可区分联合和枚举一样，都定义一组独特的情况，但是功能强大得多。这种类比对DU不公平，但是足以帮助我们起步。
我们先使用可以在FSI中运行的例子，简单地说明DU的工作方式。定义DU和定义其他类型一样简单：
type DocType =
| Ham
| Spam```
在F# Interactive窗口运行上述语句（在最后添加;;触发求值），应该看到如下结果：type DocType =
| Ham
| Spam```上述语句定义了一个简单类型DocType，它只能取两个值：Spam或者Ham。我喜欢可区分联合的主要原因之一是它们和模式匹配配合得很好，可编写以非常清晰的风格描述业务领域的代码。例如，在我们的例子中，训练集中的每个示例都是非垃圾短信或者垃圾短信，并包含真实消息的内容。我们可以将其表示为一个元组，每个示例是一个DocType和一个字符串，按照这一路线处理消息示例，可以在F# Interactive窗口中尝试：
let identify (example:DocType*string) =
let docType,content = example
match docType with
| Ham -> printfn "'%s' is ham" content
| Spam -> printfn "'%s' is spam" content```
这个例子只是为了示意目的，但是指出了以后将要遵循的模式。在这个例子中，我们创建了一个小函数，取得一个消息示例并打印其内容以及所属类别。我们首先通过元组模式匹配将消息示例分为两部分（DocType和内容），然后在DocType的两种可能情况上使用模式匹配，在单独“分支”中处理两种情况。在FSI中输入：identify (Ham,"good message");;`
你应该看到如下结果：
'good message' is ham```
在能够更好地决定如何处理真实SMS内容之前，这就是我们的数据模型。下面从加载数据集入手！
####2.1.3 读取数据集
和第1章一样，我们将把大部分时间花在探究数据集，从脚本环境中积极构建和改进模型上。打开Visual Studio创建一个新的F#库项目，将其命名为HamOrSpam。为了方便起见，我们还从Visual Studio之外使用文件系统，在解决方案中添加一个名为Data的文件夹，将数据文件SMSSpamCollection拖入其中（从前面提到的链接中下载，没有文件扩展名）。参见图2-1。
<div style="text-align: center"><img src="https://yqfile.alicdn.com/3d808bd20e5c9608fd298713670641641f250c8d.png" width="" height="">
</div>
这就使我们可以使用一个小技巧，用比第1章更清晰的方式访问数据文件。F#有两个方便的内建常量__SOURCE_DIRECTORY__和__SOURCE_FILE__，大大简化了脚本中文件的处理，我们可以引用数据文件位置，而无须硬编码一个取决于本地机器的路径。从这些常量的名称你可能已经猜到，第一个常量求得包含文件本身的目录完整路径，第二个返回到文件本身的完整路径，包括文件名。
现在可以进行脚本的编写了。和数字识别器使用的数据集之间主要的差别是，这个数据集没有文件头，只有两列，不使用逗号而使用制表符分隔。其他方面大部分相同：我们有一个包含示例的文件，希望将其提取到一个数组中。果不其然，解决方案看起来非常相似：读取文件并向每一行应用一个函数，将其解析为标签和内容，根据制表符“\t”拆分。
我们直接进入项目中的Script.fsx文件，删除默认的代码并粘贴如下代码：
程序清单2-1 从文件中读取SMS数据集open System.IO
type DocType =
| Ham
| Spam
let parseDocType (label:string) =
match label with
| "ham" -> Ham
| "spam" -> Spam
| _ -> failwith "Unknown label"
let parseLine (line:string) =
let split = line.Split('\t')
let label = split.[0] |> parseDocType
let message = split.[1]
(label, message)
let fileName = "SMSSpamCollection"
let path = SOURCE_DIRECTORY + @"....Data" + fileName
let dataset =
File.ReadAllLines path
|> Array.map parseLine```此时，你应该可以选择脚本中刚刚编写的所有代码，在F# Interactive窗口中执行，产生如下结果：
val dataset : (DocType * string) [] =
[|(Ham,
"Go until jurong point, crazy.. Available only in bugis n grea"+[50 chars]);
(Ham, "Ok lar... Joking wif u oni...");
(Spam,
"Free entry in 2 a wkly comp to win FA Cup final tkts 21st May"+[94 chars]);
// Snipped for brevity
(Ham,
"Hi. Wk been ok - on hols now! Yes on for a bit of a run. Forg"+[117 chars]);
(Ham, "I see a cup of coffee animation"); ...|]```
现在我们有了一个示例数据集，每个都标记为垃圾短信或者非垃圾短信。我们可以开始解决真正感兴趣的问题了：可使用哪些特征区分垃圾短信和非垃圾短信？
■ 提示：