`

SVM实战之垃圾邮件过滤

阅读更多

SVM作为机器学习里面的经典算法在实际中一直被广泛采用,而且其准确性也是非常之高,特别是在引入了核函数之后对识别性能变得非常高。

说明:本文不打算就SVM原理就深入分析,虽然对其原理略懂一二,但是对于SMO算法的理解确实比较浅,所以也不打算班门弄斧,略微介绍,本文重点在于SVM的应用,也就是对垃圾邮件的文本分类

 

关于支持向量机的原理性分析在CSDN上有July大神的博客 :http://blog.csdn.net/v_july_v/article/details/7624837,我就之略微介绍一下原理

 

一,SVM原理象征性简述:

SVM主要应用是分类操作,以二元线性分类为例,主要思想是根据特征向量的超空间创建一条超平面分隔线,当然在加入核函数后,可以把非线性分类映射到高维空间使之成为线性分类,而在求参数的过程中会使用SMO算法选取参数,会有不错的性能

 

二,SVM对垃圾邮件的分类:

这篇文章中的SVM的python实现代码参考自《Machine Learning in Action》一书,其训练数据来自该书的朴素贝叶斯分类一章,朴素贝叶斯也是一种比较简单而实用的分类方法,这里是使用了那一章的邮件数据

 

步骤说明:

1,提取训练邮件数据的特征向量

由于邮件的内容很多,因此找出其主要的分类关键词尤为关键,在找出关键词后就可以用这些关键词对邮件进行特征标记,也就是如果关键词在这篇文章中标记为1不出现则标记为0

 

其中每一个邮件类别中的关键词的选取方法有很多,我决定采用 TF-IDF方法选取关键词,在计算IDF的时候,考虑到我们是对整个类邮件进行分类,因此就没有采用IDF的传统计算方法,而是计算这词语在整个类邮件中的邮件占比,也就是出现该词语的文档数量除以文档总数量

 

关于 TF-IDF的介绍见百度百科 

http://baike.baidu.com/link?url=oYpXqrTb6yQB1KaNUl8LS-01gUsy09s0w9JGpPq4QH8s_AzFI796tvWXnXtoGtpW-WAvLrKYwhsHp1l3i3JGpK

 

在得出所有的词语的TF-IDF数后,我选取数最大的前100个词作为这一类邮件的关键词(每个类不重复的词语数量大概在300多个)

 

得到关键词后我们就可以对每个邮件进行特征向量标记了,每个邮件由100个特征值标记,也就是对每个上文提出的关键词,如果这个邮件存在这个词语就标记为1,如果不存在,那么这个词语就标记为0,

这样就可以得出了每个邮件的特征向量值了

 

2,将步骤1得到的特征值使用SVM训练,本文的SVM代码实现基本是基于李航的《统计学习方法》一书,因为本文不是来叙述原理的,所以也略过不表,在这个例子中使用了rbf作为核函数

 

3,得到训练模型后就可以使用交叉验证方法验证数据的正确性了,具体的说,就是使用50个训练数据中的40个邮件的特征向量训练数据,使用剩下的10个邮件的特征向量作为测试向量

 

还是那句话,代码是硬道理,下面直接上代码

 SVM主要代码:

# -*- coding: utf-8 -*-
from numpy import *
from time import sleep
import matplotlib.pyplot as plt

def loadDataSet(fileName):
    dataMat = []; labelMat = []
    fr = open(fileName)
    for line in fr.readlines():
        lineArr = line.strip().split('\t')
        dataMat.append([float(lineArr[0]), float(lineArr[1])])
        labelMat.append(float(lineArr[2]))
    return dataMat,labelMat

def selectJrand(i,m):
    j=i #we want to select any J not equal to i
    while (j==i):
        j = int(random.uniform(0,m))
    return j

def clipAlpha(aj,H,L):
    if aj > H: 
        aj = H
    if L > aj:
        aj = L
    return aj

def smoSimple(dataMatIn, classLabels, C, toler, maxIter):
    dataMatrix = mat(dataMatIn); labelMat = mat(classLabels).transpose()
    b = 0; m,n = shape(dataMatrix)
    alphas = mat(zeros((m,1)))
    iter = 0
    while (iter < maxIter):
        alphaPairsChanged = 0
        for i in range(m):
            fXi = float(multiply(alphas,labelMat).T*(dataMatrix*dataMatrix[i,:].T)) + b
            Ei = fXi - float(labelMat[i])#if checks if an example violates KKT conditions
            if ((labelMat[i]*Ei < -toler) and (alphas[i] < C)) or ((labelMat[i]*Ei > toler) and (alphas[i] > 0)):
                j = selectJrand(i,m)
                fXj = float(multiply(alphas,labelMat).T*(dataMatrix*dataMatrix[j,:].T)) + b
                Ej = fXj - float(labelMat[j])
                alphaIold = alphas[i].copy(); alphaJold = alphas[j].copy();
                if (labelMat[i] != labelMat[j]):
                    L = max(0, alphas[j] - alphas[i])
                    H = min(C, C + alphas[j] - alphas[i])
                else:
                    L = max(0, alphas[j] + alphas[i] - C)
                    H = min(C, alphas[j] + alphas[i])
                if L==H: print "L==H"; continue
                eta = 2.0 * dataMatrix[i,:]*dataMatrix[j,:].T - dataMatrix[i,:]*dataMatrix[i,:].T - dataMatrix[j,:]*dataMatrix[j,:].T
                if eta >= 0: print "eta>=0"; continue
                alphas[j] -= labelMat[j]*(Ei - Ej)/eta
                alphas[j] = clipAlpha(alphas[j],H,L)
                if (abs(alphas[j] - alphaJold) < 0.00001): print "j not moving enough"; continue
                alphas[i] += labelMat[j]*labelMat[i]*(alphaJold - alphas[j])#update i by the same amount as j
                                                                        #the update is in the oppostie direction
                b1 = b - Ei- labelMat[i]*(alphas[i]-alphaIold)*dataMatrix[i,:]*dataMatrix[i,:].T - labelMat[j]*(alphas[j]-alphaJold)*dataMatrix[i,:]*dataMatrix[j,:].T
                b2 = b - Ej- labelMat[i]*(alphas[i]-alphaIold)*dataMatrix[i,:]*dataMatrix[j,:].T - labelMat[j]*(alphas[j]-alphaJold)*dataMatrix[j,:]*dataMatrix[j,:].T
                if (0 < alphas[i]) and (C > alphas[i]): b = b1
                elif (0 < alphas[j]) and (C > alphas[j]): b = b2
                else: b = (b1 + b2)/2.0
                alphaPairsChanged += 1
                print "iter: %d i:%d, pairs changed %d" % (iter,i,alphaPairsChanged)
        if (alphaPairsChanged == 0): iter += 1
        else: iter = 0
        print "iteration number: %d" % iter
    return b,alphas

def kernelTrans(X, A, kTup): #calc the kernel or transform data to a higher dimensional space
    m,n = shape(X)
    K = mat(zeros((m,1)))
    if kTup[0]=='lin': K = X * A.T   #linear kernel
    elif kTup[0]=='rbf':
        for j in range(m):
            deltaRow = X[j,:] - A
            K[j] = deltaRow*deltaRow.T
        K = exp(K/(-1*kTup[1]**2)) #divide in NumPy is element-wise not matrix like Matlab
    else: raise NameError('Houston We Have a Problem -- \
    That Kernel is not recognized')
    return K

class optStruct:
    def __init__(self,dataMatIn, classLabels, C, toler, kTup):  # Initialize the structure with the parameters 
        self.X = dataMatIn
        self.labelMat = classLabels
        self.C = C
        self.tol = toler
        self.m = shape(dataMatIn)[0]
        self.alphas = mat(zeros((self.m,1)))
        self.b = 0
        self.eCache = mat(zeros((self.m,2))) #first column is valid flag
        self.K = mat(zeros((self.m,self.m)))
        for i in range(self.m):
            self.K[:,i] = kernelTrans(self.X, self.X[i,:], kTup)
        
def calcEk(oS, k):
    fXk = float(multiply(oS.alphas,oS.labelMat).T*oS.K[:,k] + oS.b)
    Ek = fXk - float(oS.labelMat[k])
    return Ek
        
def selectJ(i, oS, Ei):         #this is the second choice -heurstic, and calcs Ej
    maxK = -1; maxDeltaE = 0; Ej = 0
    oS.eCache[i] = [1,Ei]  #set valid #choose the alpha that gives the maximum delta E
    validEcacheList = nonzero(oS.eCache[:,0].A)[0]
    if (len(validEcacheList)) > 1:
        for k in validEcacheList:   #loop through valid Ecache values and find the one that maximizes delta E
            if k == i: continue #don't calc for i, waste of time
            Ek = calcEk(oS, k)
            deltaE = abs(Ei - Ek)
            if (deltaE > maxDeltaE):
                maxK = k; maxDeltaE = deltaE; Ej = Ek
        return maxK, Ej
    else:   #in this case (first time around) we don't have any valid eCache values
        j = selectJrand(i, oS.m)
        Ej = calcEk(oS, j)
    return j, Ej

def updateEk(oS, k):#after any alpha has changed update the new value in the cache
    Ek = calcEk(oS, k)
    oS.eCache[k] = [1,Ek]
        
def innerL(i, oS):
    Ei = calcEk(oS, i)
    if ((oS.labelMat[i]*Ei < -oS.tol) and (oS.alphas[i] < oS.C)) or ((oS.labelMat[i]*Ei > oS.tol) and (oS.alphas[i] > 0)):
        j,Ej = selectJ(i, oS, Ei) #this has been changed from selectJrand
        alphaIold = oS.alphas[i].copy(); alphaJold = oS.alphas[j].copy();
        if (oS.labelMat[i] != oS.labelMat[j]):
            L = max(0, oS.alphas[j] - oS.alphas[i])
            H = min(oS.C, oS.C + oS.alphas[j] - oS.alphas[i])
        else:
            L = max(0, oS.alphas[j] + oS.alphas[i] - oS.C)
            H = min(oS.C, oS.alphas[j] + oS.alphas[i])
        if L==H: print "L==H"; return 0
        eta = 2.0 * oS.K[i,j] - oS.K[i,i] - oS.K[j,j] #changed for kernel
        if eta >= 0: print "eta>=0"; return 0
        oS.alphas[j] -= oS.labelMat[j]*(Ei - Ej)/eta
        oS.alphas[j] = clipAlpha(oS.alphas[j],H,L)
        updateEk(oS, j) #added this for the Ecache
        if (abs(oS.alphas[j] - alphaJold) < 0.00001): print "j not moving enough"; return 0
        oS.alphas[i] += oS.labelMat[j]*oS.labelMat[i]*(alphaJold - oS.alphas[j])#update i by the same amount as j
        updateEk(oS, i) #added this for the Ecache                    #the update is in the oppostie direction
        b1 = oS.b - Ei- oS.labelMat[i]*(oS.alphas[i]-alphaIold)*oS.K[i,i] - oS.labelMat[j]*(oS.alphas[j]-alphaJold)*oS.K[i,j]
        b2 = oS.b - Ej- oS.labelMat[i]*(oS.alphas[i]-alphaIold)*oS.K[i,j]- oS.labelMat[j]*(oS.alphas[j]-alphaJold)*oS.K[j,j]
        if (0 < oS.alphas[i]) and (oS.C > oS.alphas[i]): oS.b = b1
        elif (0 < oS.alphas[j]) and (oS.C > oS.alphas[j]): oS.b = b2
        else: oS.b = (b1 + b2)/2.0
        return 1
    else: return 0

def smoP(dataMatIn, classLabels, C, toler, maxIter,kTup=('lin', 0)):    #full Platt SMO
    oS = optStruct(mat(dataMatIn),mat(classLabels).transpose(),C,toler, kTup)
    iter = 0
    entireSet = True; alphaPairsChanged = 0
    while (iter < maxIter) and ((alphaPairsChanged > 0) or (entireSet)):
        alphaPairsChanged = 0
        if entireSet:   #go over all
            for i in range(oS.m):        
                alphaPairsChanged += innerL(i,oS)
                print "fullSet, iter: %d i:%d, pairs changed %d" % (iter,i,alphaPairsChanged)
            iter += 1
        else:#go over non-bound (railed) alphas
            nonBoundIs = nonzero((oS.alphas.A > 0) * (oS.alphas.A < C))[0]
            for i in nonBoundIs:
                alphaPairsChanged += innerL(i,oS)
                print "non-bound, iter: %d i:%d, pairs changed %d" % (iter,i,alphaPairsChanged)
            iter += 1
        if entireSet: entireSet = False #toggle entire set loop
        elif (alphaPairsChanged == 0): entireSet = True  
        print "iteration number: %d" % iter
    return oS.b,oS.alphas

 提取特征以及使用SVM训练测试代码

# -*- coding: cp936 -*-
"""
基于支持向量机的邮件分类系统
使用0,1标记词的出现与否
author :luchi
data :1025/11/29 
"""
import re
from math import *
from SVMKernel import *
#切割文本,统计词频
def splitText(bigString):
   
    wordlist={}
    rtnList=[]
    wordFreqList={}
    #分词
    listofTokens=re.split(r'\W*',bigString)
    length=len(listofTokens)
    for token in listofTokens:
        if  not wordlist.has_key(token):
            wordlist[token]=1
            rtnList.append(token)
        else:
            wordlist[token]+=1
        wordFreqList[token]=float(wordlist[token])/length
    return rtnList,wordFreqList
       
#统计单词反文档频率
def docFre(word):
    fre=0
    for i in range(1,26):
        if word in re.split(r'\W*',open('spam/%d.txt' % i).read()):
             fre+=1
   
    return float(fre)/25

    

#特征词提取,这里面使用TF-IDF方法
    

def extractFeature(textType):
    docList=[];classList=[];fullText=[]
    wordTFIDF={}
    #每个类测试邮件一共有25封
    for i in range(1,26):
        wordlist,wordFreqList=splitText(open(textType+'/%d.txt' % i).read())
        fullText.append(wordlist)
        for word in wordFreqList:
            wordIDF=docFre(word)
            wordTFIDFValue=wordIDF*wordFreqList[word]
            if not  wordTFIDF.has_key(word):
                wordTFIDF[word]=wordTFIDFValue
            else :
                wordTFIDF[word]+=wordTFIDFValue
    sortedWordTFIDF=sorted(wordTFIDF.iteritems(),key=lambda asd:asd[1],reverse=True)
   #选取前100个词为分类词
    keywords=[word[0] for word in sortedWordTFIDF[:100]]
    return keywords

#对一个邮件词集构建特征向量(使用0,1表示存在与否)
def extaxtDocFeatureVec(text,keyword):
    vec=[]
    for i,word in enumerate(keyword):
        if word in text:
            vec.append(1)
        else :
            vec.append(0)
    return vec

#抽取所有邮件的特征向量
def extactFeatureVec():
    hamWordsVec=extractFeature('ham')
    spamWordsVec=extractFeature('spam')
    wordVecs=[]
    classList=[]
    for i in range(1,26):
        wordlistHam,wordFreqList=splitText(open('ham/%d.txt' % i).read())
        wordlistSpam,wordFreqList=splitText(open('spam/%d.txt' % i).read())
        vecHam=extaxtDocFeatureVec(wordlistHam,hamWordsVec)
        vecSpam=extaxtDocFeatureVec(wordlistSpam,spamWordsVec)
        wordVecs.append(vecHam)
        classList.append(1)
        wordVecs.append(vecSpam)
        classList.append(-1)
##    print wordVecs
##    print classList
        
    return wordVecs,classList

#使用SVM训练数据并使用交叉测试测试正确率
def textSpam(k1=1.3):
    dataArr,labelArr=extactFeatureVec()
    trainDataArr=dataArr[:40]
    trainLabelArr=labelArr[:40]
    b,alphas = smoP(trainDataArr, trainLabelArr, 200, 0.0001, 10000, ('rbf', k1)) #C=200 important
    datMat=mat(trainDataArr); labelMat = mat(trainLabelArr).transpose()
    svInd=nonzero(alphas.A>0)[0]
    sVs=datMat[svInd] #get matrix of only support vectors
    labelSV = labelMat[svInd];
    print "there are %d Support Vectors" % shape(sVs)[0]
    testDataMat=mat(dataArr[39:-1])
    testLabel=labelArr[39:-1]
##    testLabel[2]=testLabel[2]*-1
    m,n = shape(testDataMat)
    errorCount = 0
    for i in range(m):
        kernelEval = kernelTrans(sVs,testDataMat[i,:],('rbf', k1))
        predict=kernelEval.T * multiply(labelSV,alphas[svInd]) + b
        if sign(predict)!=sign(testLabel[i]): errorCount += 1
    print "the training error rate is: %f" % (float(errorCount)/m)
  

if __name__=='__main__':
    textSpam()     

 测试结果如下:

iteration number: 8
there are 38 Support Vectors
the training error rate is: 0.000000

 可以看出,SVM对于分类是具有很好的性能,这也是SVM强大之处,本例中使用了100维向量,但是SVM对更高维的数据也有很好的作用,然后我选取了15个数据作为训练数据,检测的失败率是22%,所以说SVM方法还是需要训练数据支持的

 

代码和测试数据都在附件

 

参考文献:

 

http://blog.csdn.net/v_july_v/article/details/7624837

 

李航 《统计学习方法》

 

Peter Harrington 《Machine Learning in Action》

6
1
分享到:
评论

相关推荐

    python垃圾邮件过滤利用贝叶斯分类器写的垃圾邮件过滤器,准确率达98.zip

    Python垃圾邮件过滤器是利用机器学习中的贝叶斯分类器实现的一种高效文本分类技术,尤其适用于电子邮件的自动筛选。在给定的项目中,"Filter.py"可能是实现这个功能的核心代码文件,而"G2"和"A"可能是数据集或者辅助...

    垃圾邮件分类实战(SVM)nlp + 数据集说明 + 两个txt文件

    在本实践项目中,我们将深入探讨垃圾邮件分类的实战应用,使用支持向量机(SVM)算法结合自然语言处理(NLP)技术。提供的数据集包含两个文本文件:`spam.text` 和 `ham.txt`,分别代表垃圾邮件和非垃圾邮件样本。...

    人工智能与模式识别作业4:基于SVM的垃圾邮件分类.zip

    在本项目中,我们将深入探讨如何使用支持向量机(SVM)进行人工智能中的垃圾邮件分类。这是一个典型的文本分类问题,对于理解机器学习算法在实际应用中的工作原理至关重要。SVM是一种监督学习模型,尤其在小样本数据...

    Python实战案例,机器学习算法,实现垃圾邮件识别.pdf

    然而,垃圾邮件也随之泛滥,严重影响了人们的使用体验。为了有效地识别和过滤垃圾邮件,机器学习技术被广泛应用其中。本文将深入探讨如何通过Python语言结合机器学习算法实现垃圾邮件的自动识别,提供一个实战案例...

    垃圾邮件数据集

    其中,垃圾邮件过滤是TREC 的一个重要研究领域之一,目的是开发能够有效识别和过滤垃圾邮件的技术。 ### 数据集结构与内容 #### 英文数据集 - **2005年与2006年的英文数据集**:这部分数据集主要包含英文语言的...

    机器学习实战的所有源代码《KNN、决策树、朴素贝叶斯、Logistic回归、SVM、AdaBoost、回归、K-means》等

    包含的内容有使用k-近邻算法改进约会网站的配对效果、使用k-近邻算法识别手写数字、使用决策树预测隐形眼镜类型、使用朴素贝叶斯过滤垃圾邮件、从疝气病症预测病马的死亡率、SVM手写识别问题回顾、利用AdaBoost元...

    感知机的垃圾邮件检测系统.zip

    本项目探讨了如何利用感知机算法构建一个能够识别并过滤垃圾邮件的有效系统。 一、感知机基础 感知机是由Frank Rosenblatt在1957年提出的,它是二分类问题的线性判别模型。感知机模型通过学习数据的线性可分性,...

    计算机课程毕设:银行用户流式判断+垃圾邮件判断+电影推荐系统(三个spark实战项目).zip

    你将学习如何构建分类模型,比如朴素贝叶斯(Naive Bayes)或者支持向量机(SVM),对邮件内容进行特征提取,如词袋模型(Bag of Words)、TF-IDF等,然后训练模型来区分垃圾邮件和非垃圾邮件。这将帮助理解文本分类...

    自己动手写网络爬虫 光盘 源码 10章SVM

    在文档分类中,SVM可以用来区分不同主题的文本,例如新闻报道的分类、邮件的垃圾邮件过滤等。 描述中的"DocCluster kMeans实现的文档聚类"指出,除了SVM之外,还有基于k-Means聚类的文档分析。k-Means是一种无监督...

    机器学习实战示例代码.rar

    3. **朴素贝叶斯(Naive Bayes)**: Ch04可能包含朴素贝叶斯分类器的代码实现,该算法基于贝叶斯定理和特征之间的独立性假设,常用于文本分类和垃圾邮件过滤等领域。 4. **逻辑回归(Logistic Regression)**: Ch05可能...

    机器学习实战教程(代码)

    朴素贝叶斯算法常用于文本分类和垃圾邮件过滤等领域。 3. **逻辑回归(Logistic Regression)** 虽然名字中含有“回归”,但逻辑回归主要用来解决分类问题,尤其适合二分类。它通过sigmoid函数将线性组合转换为0到...

    SpamDetection:最终项目

    **垃圾邮件检测:Python实战** 在信息技术领域,垃圾邮件检测是一项重要的任务,它涉及到网络安全和个人隐私保护。Python作为一门强大的编程语言,因其丰富的库和简洁的语法,成为了进行此类任务的首选工具。在这个...

    机器学习文档

    机器学习不仅用于推荐系统、广告投放、垃圾邮件过滤等互联网场景,还广泛应用于医疗诊断、金融风险评估、自动驾驶汽车、图像识别和自然语言处理等领域。 综上所述,这个压缩包中的资源为深入学习机器学习提供了...

    机器学习笔记作者黄海广

    最后,笔记可能还会涉及一些实际应用案例,如垃圾邮件过滤、情感分析、推荐系统等,以帮助读者将理论知识应用于实际问题。 通过阅读【机器学习个人笔记完整版v5.22.pdf】,读者可以系统地学习到机器学习的基础理论...

    Machine-Learning-main(菜菜).7z

    它简单且高效,适用于文本分类和垃圾邮件过滤等场景。 综合以上文件,这个机器学习课程涵盖了从基础环境配置到具体算法的实战,包括逻辑回归、K-means聚类、支持向量机、随机森林和朴素贝叶斯等多种重要机器学习...

Global site tag (gtag.js) - Google Analytics