机器学习实战所需资源

利用贝叶斯方法对垃圾邮件进行分类，用数据进行训练，测试数据来计算错误概率（matlab语言编写）

简单的朴素贝叶斯垃圾邮件分类算法（python实现），另外上传的有垃圾邮件训练数据集，供大家下载。

bayes.py为主体代码，利用终端输入python调用程序，代码中包含中文注释。也包含测试集与训练集。

英文垃圾邮件分类机器学习篇——朴素贝叶斯、SVM、逻辑回归、随机森林、XGBoost

朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类的方法。对于给定的训练数据集，首先基于特征条件独立假设学习输入输出的联合概率分布。然后基于此模型，对于给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。笔者找到了较好的数据集，通过处理数据，将垃圾邮件向量化并训练模型，得到了较好的训练结果。同时，通过尝试不同分类器的效果，笔者也做出了统计图用于比较优劣。

包括normal.txt 和spam.txt两个文件，分别表示有效邮件文本和垃圾邮件文本，两个文件各含有25封邮件内容

机器学习编程作业垃圾邮件分类.7z

使用到的数据集是I. Androutsopoulos, J. Koutsias, K.V. Chandrinos, George Paliouras和 C.D. Spyropoulos的 "An Evaluation of Naive Bayesian Anti-Spam Filtering"中使用到的垃圾邮件语料库：lingspam_public。 stopwords我是直接调用的，后续在文件中有另外增加无效词。 详细信息可以参看我的博文：https://blog.csdn.net/qq_43262059/article/details/117379888

BayesSpam python实现基于贝叶斯的简单垃圾邮件分类 在400封邮件（正常邮件与垃圾邮件各一半）的测试集中测试结果为分类准确率95.15%，在仅仅统计词频计算概率的情况下，分类结果还是相当不错的。 1、准备工作 python3.4开发环境； 结巴分词工具： 2、贝叶斯公式 我们要做的是计算在已知词向量$w=(w_1,w_2,...,w_n)$的条件下求包含该词向量邮件是否为垃圾邮件的概率，即求： $P(s|w),w=(w_1,w_2,...,w_n)$ 其中，$s$表示分类为垃圾邮件 根据贝叶斯公式和全概率公式， $P(s|w_1,w_2,...,w_n)$ $=\frac {P(s,w_1,w_2,...,w_n)}{P(w_1,w_2,...,w_n)}$ $=\frac {P(w_1,w_2,...,w_n|s)P(s)}{P(w_1,w_2,...,w_n)}$ $=\