1、一些數(shù)學(xué)知識(shí)

• 先驗(yàn)概率：指的是事件發(fā)生前的預(yù)判概率，可以根據(jù)歷史數(shù)據(jù)/經(jīng)驗(yàn)估算得到。例如，當(dāng)我們需要判斷西瓜是不是好瓜的時(shí)候，對(duì)紋理、根蒂等特征都不了解，只是平常我們買西瓜的時(shí)候買到好瓜的概率是70%，那么這個(gè)西瓜是好瓜的概率我們也可以認(rèn)為是70%。這個(gè)概率70%就是先驗(yàn)概率。
  

• 后驗(yàn)概率：指的是事件發(fā)生后求的反向條件概率。例如，當(dāng)我們買西瓜的時(shí)候，已經(jīng)知道當(dāng)西瓜臍部凹陷的時(shí)候，是好瓜的概率是80%。如果把臍部凹陷當(dāng)作一種結(jié)果，然后去推測(cè)好瓜的概率，那么這個(gè)概率P(好瓜|紋理清晰)就是后驗(yàn)概率。

• 聯(lián)合概率：指的是包含多個(gè)條件，且所有條件同時(shí)成立的概率，記作P(A,B)。

• 相互獨(dú)立：如果P(A,B)=P(A)·P(B)，則稱事件A和事件B相互獨(dú)立

• 條件概率：指的是一個(gè)事件發(fā)生的條件下，另一個(gè)事件發(fā)生的概率，記作P(A|B)。公式：

2、貝葉斯公式

• P(A)是先驗(yàn)概率
• P(B)是先驗(yàn)概率
• P(B|A)是條件概率，也叫似然概率
• P(A|B)是后驗(yàn)概率，一般是求解的目標(biāo)

3、樸素貝葉斯算法

（1）介紹

樸素貝葉斯算法是以貝葉斯定理為基礎(chǔ)的一種分類方法，之所以稱為 “樸素” ，是假定所有輸入事件之間是相互獨(dú)立的。這是為了簡(jiǎn)便計(jì)算，獨(dú)立事件間的概率計(jì)算更加簡(jiǎn)單。

（2）核心思想

對(duì)于給出的待分類樣本，求解在此樣本出現(xiàn)的條件下各個(gè)類別出現(xiàn)的概率，哪個(gè)概率最大，就認(rèn)為此待分類樣本屬于哪個(gè)類別。
例子：當(dāng)我們挑選西瓜的時(shí)候，通過西瓜的敲擊聲來判斷西瓜的好壞，假設(shè)敲擊聲是“濁響”的西瓜是好瓜的概率是70%，敲擊聲是“沉悶”的概率是50%，敲擊聲是“清脆”的概率是10%,那么這個(gè)西瓜的敲擊聲是“濁響”，我們就認(rèn)為這個(gè)西瓜是個(gè)好瓜。

（3）樸素貝葉斯算法

（4）拉普拉斯修正

（5）防溢出策略

（6）一般過程

1. 收集數(shù)據(jù)：可以使用任何方法。
2. 準(zhǔn)備數(shù)據(jù)：需要數(shù)值型或者布爾型數(shù)據(jù)。
3. 分析數(shù)據(jù)：有大量特征時(shí)，繪制特征作用不大，此時(shí)使用直方圖效果最好。
4. 訓(xùn)練算法：計(jì)算不同的獨(dú)立特征的條件概率。
5. 測(cè)試算法：計(jì)算錯(cuò)誤率。
6. 使用算法：可以在任意的分類場(chǎng)景中使用樸素貝葉斯分類器，一個(gè)常見的樸素貝葉斯應(yīng)用是文檔分類。

（7）優(yōu)缺點(diǎn)

• 優(yōu)點(diǎn)：
  · 在數(shù)據(jù)較少的情況下仍然有效，可以處理多類別問題；
  · 有穩(wěn)定的分類效率；
  · 對(duì)缺失數(shù)據(jù)不太敏感，算法比較簡(jiǎn)單；
  · 分類準(zhǔn)確率高，速度快；
• 缺點(diǎn)：
  · 由于使用了樣本屬性獨(dú)立性的假設(shè)，所以如果特征屬性有關(guān)聯(lián)時(shí)效果不太好；
  · 需要計(jì)算先驗(yàn)概率，而先驗(yàn)概率很多時(shí)候取決于假設(shè)，假設(shè)的模型可以有很多種，因此在某些時(shí)候會(huì)由于假設(shè)的先驗(yàn)?zāi)Ｐ偷脑驅(qū)е骂A(yù)測(cè)效果不佳；
• 適用數(shù)據(jù)類型：標(biāo)稱型數(shù)據(jù)

4、例子實(shí)現(xiàn)——垃圾郵件分類

數(shù)據(jù)集說明：非垃圾郵件ham和垃圾郵件spam各25封，測(cè)試郵件5封，其中把spam中的1、2和ham中的22、23、24拿出來當(dāng)測(cè)試集
ham：

ham的其中一封：

spam：

spam中的其中一封：

test：

導(dǎo)包：

import os
import re
import string
import math
import numpy as np

數(shù)據(jù)預(yù)處理：

def get_filtered_str(category):

    email_list = []
    translator = re.compile('[%s]' % re.escape(string.punctuation))

    for curDir, dirs, files in os.walk(f'./email/{category}'):
        for file in files:
            file_name = os.path.join(curDir, file)
            with open(file_name, 'r', encoding='utf-8') as f:
                txt_str = f.read()

                # 全部小寫
                txt_str = txt_str.lower()

                # 過濾掉所有符號(hào)
                txt_str = translator.sub(' ', txt_str)

                # 過濾掉全部數(shù)字
                txt_str = replace_num(txt_str)

                # 把全體的郵件文本 根據(jù)換行符把string劃分成列表
                txt_str_list = txt_str.splitlines()

                # 把獲取的全體單詞句子列表轉(zhuǎn)成字符串
                txt_str = ''.join(txt_str_list)
                # print(txt_str)
            email_list.append(txt_str)
    return email_list

數(shù)據(jù)處理階段：

def get_dict_spam_dict_w(spam_email_list):
    '''
    :param email_list: 每個(gè)郵件過濾后形成字符串，存入email_list
    :param all_email_words: 列表。把所有的郵件內(nèi)容，分詞。一個(gè)郵件的詞 是它的一個(gè)列表元素
    :return:
    '''

    all_email_words = []

    # 用set集合去重
    word_set = set()
    for email_str in spam_email_list:
        # 把每個(gè)郵件的文本 變成單詞
        email_words = email_str.split(' ')
        # 把每個(gè)郵件去重后的列表 存入列表
        all_email_words.append(email_words)
        for word in email_words:
            if(word!=''):
                word_set.add(word)

    # 計(jì)算每個(gè)垃圾詞出現(xiàn)的次數(shù)
    word_dict = {}
    for word in word_set:
        # 創(chuàng)建字典元素 并讓它的值為1
        word_dict[word] = 0
        # print(f'word={word}')

        # 遍歷每個(gè)郵件，看文本里面是否有該單詞，匹配方法不能用正則.郵件里面也必須是分詞去重后的！?。?否則 比如出現(xiàn)re是特征， 那么remind 也會(huì)被匹配成re
        for email_words in all_email_words:
            for email_word in email_words:
                # print(f'spam_email={email_word}')
                # 把從set中取出的word 和 每個(gè)email分詞后的word對(duì)比看是否相等
                if(word==email_word):
                    word_dict[word] += 1
                    # 找到一個(gè)就行了
                    break

    # 計(jì)算垃圾詞的概率
    # spam_len = len(os.listdir(f'./email/spam'))
    # print(f'spam_len={spam_len}')
    # for word in word_dict:
    #     word_dict[word]  = word_dict[word] / spam_len
    return word_dict

def get_dict_ham_dict_w(spam_email_list,ham_email_list):
    '''
    :param email_list: 每個(gè)郵件過濾后形成字符串，存入email_list
    :param all_email_words: 列表。把所有的郵件內(nèi)容，分詞。一個(gè)郵件的詞 是它的一個(gè)列表元素
    :return:
    '''
    all_ham_email_words = []

    # 用set集合去重 得到垃圾郵件的特征w
    word_set = set()

    #獲取垃圾郵件特征
    for email_str in spam_email_list:
        # 把每個(gè)郵件的文本 變成單詞
        email_words = email_str.split(' ')
        for word in email_words:
            if (word != ''):
                word_set.add(word)

    for ham_email_str in ham_email_list:

        # 把每個(gè)郵件的文本 變成單詞
        ham_email_words = ham_email_str.split(' ')
        # print(f'ham_email_words={ham_email_words}')

        # 把每個(gè)郵件分割成單詞的 的列表 存入列表
        all_ham_email_words.append(ham_email_words)
    # print(f'all_ham_email_words={all_ham_email_words}')

    # 計(jì)算每個(gè)垃圾詞出現(xiàn)的次數(shù)
    word_dict = {}
    for word in word_set:
        # 創(chuàng)建字典元素 并讓它的值為1
        word_dict[word] = 0
        # print(f'word={word}')

        # 遍歷每個(gè)郵件，看文本里面是否有該單詞，匹配方法不能用正則.郵件里面也必須是分詞去重后的?。?！ 否則 比如出現(xiàn)re是特征， 那么remind 也會(huì)被匹配成re
        for email_words in all_ham_email_words:
            # print(f'ham_email_words={email_words}')
            for email_word in email_words:
                # 把從set中取出的word 和 每個(gè)email分詞后的word對(duì)比看是否相等
                # print(f'email_word={email_word}')
                if(word==email_word):
                    word_dict[word] += 1
                    # 找到一個(gè)就行了
                    break
    return word_dict

# 獲取測(cè)試郵件中出現(xiàn)的 垃圾郵件特征
def get_X_c1(spam_w_dict,file_name):

    # 獲取測(cè)試郵件
    # file_name = './email/spam/25.txt'
    # 過濾文本
    translator = re.compile('[%s]' % re.escape(string.punctuation))
    with open(file_name, 'r', encoding='utf-8') as f:
        txt_str = f.read()

        # 全部小寫
        txt_str = txt_str.lower()

        # 過濾掉所有符號(hào)
        txt_str = translator.sub(' ', txt_str)

        # 過濾掉全部數(shù)字
        txt_str = replace_num(txt_str)

        # 把全體的郵件文本 根據(jù)換行符把string劃分成列表
        txt_str_list = txt_str.splitlines()

        # 把獲取的全體單詞句子列表轉(zhuǎn)成字符串
        txt_str = ''.join(txt_str_list)

    # 把句子分成詞
    email_words = txt_str.split(' ')

    # 去重
    x_set = set()
    for word in email_words:
        if word!='':
            x_set.add(word)
    # print(f'\ntest_x_set={x_set}')
    spam_len = len(os.listdir(f'./email/spam'))
    # 判斷測(cè)試郵件的詞有哪些是垃圾郵件的特征
    spam_X_num = []
    for xi in x_set:
        for wi in spam_w_dict:
            if xi == wi:
                spam_X_num.append(spam_w_dict[wi])
    # print(f'\nspam_X_num={spam_X_num}')
    w_appear_sum_num = 1
    for num in spam_X_num:
        w_appear_sum_num += num
    # print(f'\nham_w_appear_sum_num={w_appear_sum_num}')
    # 求概率
    w_c1_p = w_appear_sum_num / (spam_len + 2)
    return w_c1_p

# 獲取測(cè)試郵件中出現(xiàn)的非垃圾郵件特征
def get_X_c2(ham_w_dict,file_name):

    # 過濾文本
    translator = re.compile('[%s]' % re.escape(string.punctuation))
    with open(file_name, 'r', encoding='utf-8') as f:
        txt_str = f.read()

        # 全部小寫
        txt_str = txt_str.lower()

        # 過濾掉所有符號(hào)
        txt_str = translator.sub(' ', txt_str)

        # 過濾掉全部數(shù)字
        txt_str = replace_num(txt_str)

        # 把全體的郵件文本 根據(jù)換行符把string劃分成列表
        txt_str_list = txt_str.splitlines()

        # 把獲取的全體單詞句子列表轉(zhuǎn)成字符串
        txt_str = ''.join(txt_str_list)

    # 把句子分成詞
    email_words = txt_str.split(' ')

    # 去重
    x_set = set()
    for word in email_words:
        if word!='':
            x_set.add(word)
    # print(f'\ntest_x_set={x_set}')

    # 判斷測(cè)試郵件的詞有哪些是垃圾郵件的特征
    ham_X_num = []
    for xi in x_set:
        for wi in ham_w_dict:
            if xi == wi:
                ham_X_num.append(ham_w_dict[wi])
    # print(f'\nham_X_num={ham_X_num}')

    # 先求分子 所有詞出現(xiàn)的總和
    ham_len = len(os.listdir(f'./email/ham'))
    w_appear_sum_num = 1
    for num in ham_X_num:
        w_appear_sum_num += num
    # print(f'\nspam_w_appear_sum_num={w_appear_sum_num}')
    # 求概率
    w_c2_p = w_appear_sum_num / (ham_len+2)
    return w_c2_p

測(cè)試階段：

def email_test(spam_w_dict,ham_w_dict):
    for curDir, dirs, files in os.walk(f'./email/test'):
        for file in files:
            file_name = os.path.join(curDir, file)
            print('---------------------------------------------------------------')
            print(f'測(cè)試郵件: {file}')
            # 獲取條件概率 p(X|c1)
            p_X_c1 = get_X_c1(spam_w_dict,file_name)
            # 獲取條件概率 p(X|c2)
            p_X_c2 = get_X_c2(ham_w_dict,file_name)

            # print(f'\nX_c1={p_X_c1}')
            # print(f'\nX_c2={p_X_c2}')

            # #注意：Log之后全部變?yōu)樨?fù)數(shù)
            A = np.log(p_X_c1) + np.log(1 / 2)
            B = np.log(p_X_c2) + np.log(1 / 2)

            # 除法會(huì)出現(xiàn)問題，-1 / 負(fù)分母  結(jié)果 < -2/同一個(gè)分母
            print(f'p1={A},p2={B}')

            # 因?yàn)榉帜敢恢?，所以只比較 分子即可
            if A > B:
                print('p1>p2，所以是垃圾郵件.')
            if A <= B:
                print('p1<p2，所以是正常郵件.')

完整代碼：

import os
import re
import string
import math
import numpy as np

# 過濾數(shù)字
def replace_num(txt_str):
    txt_str = txt_str.replace(r'0', '')
    txt_str = txt_str.replace(r'1', '')
    txt_str = txt_str.replace(r'2', '')
    txt_str = txt_str.replace(r'3', '')
    txt_str = txt_str.replace(r'4', '')
    txt_str = txt_str.replace(r'5', '')
    txt_str = txt_str.replace(r'6', '')
    txt_str = txt_str.replace(r'7', '')
    txt_str = txt_str.replace(r'8', '')
    txt_str = txt_str.replace(r'9', '')
    return txt_str

def get_filtered_str(category):

    email_list = []
    translator = re.compile('[%s]' % re.escape(string.punctuation))

    for curDir, dirs, files in os.walk(f'./email/{category}'):
        for file in files:
            file_name = os.path.join(curDir, file)
            with open(file_name, 'r', encoding='utf-8') as f:
                txt_str = f.read()

                # 全部小寫
                txt_str = txt_str.lower()

                # 過濾掉所有符號(hào)
                txt_str = translator.sub(' ', txt_str)

                # 過濾掉全部數(shù)字
                txt_str = replace_num(txt_str)

                # 把全體的郵件文本 根據(jù)換行符把string劃分成列表
                txt_str_list = txt_str.splitlines()

                # 把獲取的全體單詞句子列表轉(zhuǎn)成字符串
                txt_str = ''.join(txt_str_list)
                # print(txt_str)
            email_list.append(txt_str)
    return email_list

def get_dict_spam_dict_w(spam_email_list):
    '''
    :param email_list: 每個(gè)郵件過濾后形成字符串，存入email_list
    :param all_email_words: 列表。把所有的郵件內(nèi)容，分詞。一個(gè)郵件的詞 是它的一個(gè)列表元素
    :return:
    '''

    all_email_words = []

    # 用set集合去重
    word_set = set()
    for email_str in spam_email_list:
        # 把每個(gè)郵件的文本 變成單詞
        email_words = email_str.split(' ')
        # 把每個(gè)郵件去重后的列表 存入列表
        all_email_words.append(email_words)
        for word in email_words:
            if(word!=''):
                word_set.add(word)

    # 計(jì)算每個(gè)垃圾詞出現(xiàn)的次數(shù)
    word_dict = {}
    for word in word_set:
        # 創(chuàng)建字典元素 并讓它的值為1
        word_dict[word] = 0
        # print(f'word={word}')

        # 遍歷每個(gè)郵件，看文本里面是否有該單詞，匹配方法不能用正則.郵件里面也必須是分詞去重后的?。?！ 否則 比如出現(xiàn)re是特征， 那么remind 也會(huì)被匹配成re
        for email_words in all_email_words:
            for email_word in email_words:
                # print(f'spam_email={email_word}')
                # 把從set中取出的word 和 每個(gè)email分詞后的word對(duì)比看是否相等
                if(word==email_word):
                    word_dict[word] += 1
                    # 找到一個(gè)就行了
                    break

    # 計(jì)算垃圾詞的概率
    # spam_len = len(os.listdir(f'./email/spam'))
    # print(f'spam_len={spam_len}')
    # for word in word_dict:
    #     word_dict[word]  = word_dict[word] / spam_len
    return word_dict

def get_dict_ham_dict_w(spam_email_list,ham_email_list):
    '''
    :param email_list: 每個(gè)郵件過濾后形成字符串，存入email_list
    :param all_email_words: 列表。把所有的郵件內(nèi)容，分詞。一個(gè)郵件的詞 是它的一個(gè)列表元素
    :return:
    '''
    all_ham_email_words = []

    # 用set集合去重 得到垃圾郵件的特征w
    word_set = set()

    #獲取垃圾郵件特征
    for email_str in spam_email_list:
        # 把每個(gè)郵件的文本 變成單詞
        email_words = email_str.split(' ')
        for word in email_words:
            if (word != ''):
                word_set.add(word)

    for ham_email_str in ham_email_list:

        # 把每個(gè)郵件的文本 變成單詞
        ham_email_words = ham_email_str.split(' ')
        # print(f'ham_email_words={ham_email_words}')

        # 把每個(gè)郵件分割成單詞的 的列表 存入列表
        all_ham_email_words.append(ham_email_words)
    # print(f'all_ham_email_words={all_ham_email_words}')

    # 計(jì)算每個(gè)垃圾詞出現(xiàn)的次數(shù)
    word_dict = {}
    for word in word_set:
        # 創(chuàng)建字典元素 并讓它的值為1
        word_dict[word] = 0
        # print(f'word={word}')

        # 遍歷每個(gè)郵件，看文本里面是否有該單詞，匹配方法不能用正則.郵件里面也必須是分詞去重后的?。?！ 否則 比如出現(xiàn)re是特征， 那么remind 也會(huì)被匹配成re
        for email_words in all_ham_email_words:
            # print(f'ham_email_words={email_words}')
            for email_word in email_words:
                # 把從set中取出的word 和 每個(gè)email分詞后的word對(duì)比看是否相等
                # print(f'email_word={email_word}')
                if(word==email_word):
                    word_dict[word] += 1
                    # 找到一個(gè)就行了
                    break
    return word_dict

# 獲取測(cè)試郵件中出現(xiàn)的 垃圾郵件特征
def get_X_c1(spam_w_dict,file_name):

    # 獲取測(cè)試郵件
    # file_name = './email/spam/25.txt'
    # 過濾文本
    translator = re.compile('[%s]' % re.escape(string.punctuation))
    with open(file_name, 'r', encoding='utf-8') as f:
        txt_str = f.read()

        # 全部小寫
        txt_str = txt_str.lower()

        # 過濾掉所有符號(hào)
        txt_str = translator.sub(' ', txt_str)

        # 過濾掉全部數(shù)字
        txt_str = replace_num(txt_str)

        # 把全體的郵件文本 根據(jù)換行符把string劃分成列表
        txt_str_list = txt_str.splitlines()

        # 把獲取的全體單詞句子列表轉(zhuǎn)成字符串
        txt_str = ''.join(txt_str_list)

    # 把句子分成詞
    email_words = txt_str.split(' ')

    # 去重
    x_set = set()
    for word in email_words:
        if word!='':
            x_set.add(word)
    # print(f'\ntest_x_set={x_set}')
    spam_len = len(os.listdir(f'./email/spam'))
    # 判斷測(cè)試郵件的詞有哪些是垃圾郵件的特征
    spam_X_num = []
    for xi in x_set:
        for wi in spam_w_dict:
            if xi == wi:
                spam_X_num.append(spam_w_dict[wi])
    # print(f'\nspam_X_num={spam_X_num}')
    w_appear_sum_num = 1
    for num in spam_X_num:
        w_appear_sum_num += num
    # print(f'\nham_w_appear_sum_num={w_appear_sum_num}')
    # 求概率
    w_c1_p = w_appear_sum_num / (spam_len + 2)
    return w_c1_p

# 獲取測(cè)試郵件中出現(xiàn)的 垃圾郵件特征
def get_X_c2(ham_w_dict,file_name):

    # 過濾文本
    translator = re.compile('[%s]' % re.escape(string.punctuation))
    with open(file_name, 'r', encoding='utf-8') as f:
        txt_str = f.read()

        # 全部小寫
        txt_str = txt_str.lower()

        # 過濾掉所有符號(hào)
        txt_str = translator.sub(' ', txt_str)

        # 過濾掉全部數(shù)字
        txt_str = replace_num(txt_str)

        # 把全體的郵件文本 根據(jù)換行符把string劃分成列表
        txt_str_list = txt_str.splitlines()

        # 把獲取的全體單詞句子列表轉(zhuǎn)成字符串
        txt_str = ''.join(txt_str_list)

    # 把句子分成詞
    email_words = txt_str.split(' ')

    # 去重
    x_set = set()
    for word in email_words:
        if word!='':
            x_set.add(word)
    # print(f'\ntest_x_set={x_set}')

    # 判斷測(cè)試郵件的詞有哪些是垃圾郵件的特征
    ham_X_num = []
    for xi in x_set:
        for wi in ham_w_dict:
            if xi == wi:
                ham_X_num.append(ham_w_dict[wi])
    # print(f'\nham_X_num={ham_X_num}')

    # 先求分子 所有詞出現(xiàn)的總和
    ham_len = len(os.listdir(f'./email/ham'))
    w_appear_sum_num = 1
    for num in ham_X_num:
        w_appear_sum_num += num
    # print(f'\nspam_w_appear_sum_num={w_appear_sum_num}')
    # 求概率
    w_c2_p = w_appear_sum_num / (ham_len+2)
    return w_c2_p

def email_test(spam_w_dict,ham_w_dict):
    for curDir, dirs, files in os.walk(f'./email/test'):
        for file in files:
            file_name = os.path.join(curDir, file)
            print('---------------------------------------------------------------')
            print(f'測(cè)試郵件: {file}')
            # 獲取條件概率 p(X|c1)
            p_X_c1 = get_X_c1(spam_w_dict,file_name)
            # 獲取條件概率 p(X|c2)
            p_X_c2 = get_X_c2(ham_w_dict,file_name)

            # print(f'\nX_c1={p_X_c1}')
            # print(f'\nX_c2={p_X_c2}')

            # #注意：Log之后全部變?yōu)樨?fù)數(shù)
            A = np.log(p_X_c1) + np.log(1 / 2)
            B = np.log(p_X_c2) + np.log(1 / 2)

            # 除法會(huì)出現(xiàn)問題，-1 / 負(fù)分母  結(jié)果 < -2/同一個(gè)分母
            print(f'p1={A},p2={B}')

            # 因?yàn)榉帜敢恢?，所以只比較 分子即可
            if A > B:
                print('p1>p2，所以是垃圾郵件.')
            if A <= B:
                print('p1<p2，所以是正常郵件.')

if __name__=='__main__':

    spam_email_list = get_filtered_str('spam')
    ham_email_list = get_filtered_str('ham')

    spam_w_dict = get_dict_spam_dict_w(spam_email_list)
    ham_w_dict = get_dict_ham_dict_w(spam_email_list,ham_email_list)

    # print(f'\n從垃圾郵件中提取的特征及每個(gè)特征出現(xiàn)的郵件數(shù)：')
    # print(f'spam_w_dict={spam_w_dict}')

    # print(f'\n普通郵件中垃圾郵件特征出現(xiàn)的郵件數(shù)為：')
    # print(f'ham_w_dict={ham_w_dict}')

    email_test(spam_w_dict, ham_w_dict)

測(cè)試結(jié)果：

數(shù)據(jù)集以及代碼：
鏈接: https://pan.baidu.com/s/1cHBDd_M_B0vgUA6la6AK9Q?pwd=psk9
提取碼：psk9文章來源地址http://www.zghlxwxcb.cn/news/detail-771694.html

到了這里，關(guān)于機(jī)器學(xué)習(xí)——樸素貝葉斯算法（垃圾郵件分類）的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！