这篇文章主要介绍了Python怎么实现垃圾邮件识别的相关知识，内容详细易懂，操作简单快捷，具有一定借鉴价值，相信大家阅读完这篇Python怎么实现垃圾邮件识别文章都会有所收获，下面我们一起来看看吧。
开发工具
Python版本：3.6.4
相关模块：
scikit-learn模块；
jieba模块；
numpy模块；
以及一些Python自带的模块。
环境搭建
安装Python并添加到环境变量，pip安装需要的相关模块即可。
逐步实现
（1）划分数据集
网上用于垃圾邮件识别的数据集大多是英文邮件，所以为了表示诚意，我花了点时间找了一份中文邮件的数据集。数据集划分如下：
训练数据集：
7063封正常邮件(data/normal文件夹下)；
7775封垃圾邮件(data/spam文件夹下)。
测试数据集：
共392封邮件(data/test文件夹下)。
（2）创建词典
数据集里的邮件内容一般是这样的：
首先，我们利用正则表达式过滤掉非中文字符，然后再用jieba分词库对语句进行分词，并清除一些停用词，最后再利用上述结果创建词典，词典格式为：
{"词1": 词1词频, "词2": 词2词频...}
这些内容的具体实现均在"utils.py"文件中体现，在主程序中(train.py)调用即可：
最终结果保存在"results.pkl"文件内。
大功告成了么？当然没有！！！
现在的词典里有52113个词，显然太多了，有些词只出现了一两次，后续特征提取的时候一直空占着一个维度显然是不明智的做法。因此，我们只保留词频最高的4000个词作为最终创建的词典：
最终结果保存在"wordsDict.pkl"文件内。
（3）特征提取
词典准备好之后，我们就可以把每封信的内容转换为词向量了，显然其维度为4000，每一维代表一个高频词在该封信中出现的频率，最后，我们将这些词向量合并为一个大的特征向量矩阵，其大小为：
(7063+7775)×4000
即前7063行为正常邮件的特征向量，其余为垃圾邮件的特征向量。
上述内容的具体实现仍然在"utils.py"文件中体现，在主程序中调用如下：
最终结果保存在"fvs_%d_%d.npy"文件内，其中第一个格式符代表正常邮件的数量，第二个格式符代表垃圾邮件的数量。
（4）训练分类器
我们使用scikit-learn机器学习库来训练分类器，模型选择朴素贝叶斯分类器和SVM(支持向量机)：
（5）性能测试
利用测试数据集对模型进行测试：
结果如下：
可以发现两个模型的性能是差不多的(SVM略胜于朴素贝叶斯)，但SVM更倾向于向垃圾邮件的判定。
关于“Python怎么实现垃圾邮件识别”这篇文章的内容就介绍到这里，感谢各位的阅读！相信大家对“Python怎么实现垃圾邮件识别”知识都有一定的了解，大家如果还想学习更多知识，欢迎关注编程网行业资讯频道。
