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， $P(s|w_1,w_2,...,w_n)$ $=\frac {P(s,w_1,w_2,...,w_n)}{P(w_1,w_2,...,w_n)}$ $=\frac {P(w_1,w_2,...,w_n|s)P(s)}{P(w_1,w_2,...,w_n)}$ $=\

从外网中得到的56m中文邮件语料，供垃圾邮件分类的数据集

该论文中详细介绍了基于朴素贝叶斯的垃圾邮件分类过程，以及五折交叉验证的评价指标，并包含完整的代码，python格式，是一个学习朴素贝叶斯方法不错的实例。

使用朴素贝叶斯的垃圾邮件分类器 垃圾邮件检测是NLP的主要应用之一。 所有主要的电子邮件服务提供商都内置了垃圾邮件检测系统，并将这些邮件自动分类为“垃圾邮件”。 在这里，基于我们对模型的训练，朴素贝叶斯算法用于创建一个模型，该模型可以将数据集SMS消息分类为垃圾邮件或非垃圾邮件。 能够识别垃圾邮件是一个二进制分类问题，因为邮件被分类为“垃圾邮件”或“非垃圾邮件”，别无其他。 同样，这是一个有监督的学习问题，正如我们知道要预测的那样。 我们将标记的数据集输入模型中，以供将来进行预测，该模型可以从中学习。 使用最初编译并发布在UCI机器学习存储库中的数据集，该库具有用于实验研究目的的非常好的数据集。

该数据集内容为垃圾邮件分类数据集，用于自然语言处理>02.朴素贝叶斯-垃圾邮件分类中的案例数据，该数据集仅供参考

具有中文垃圾邮件，正常邮件，测试邮件等资料，可以用于朴素贝叶斯分类来检测垃圾邮件