基于朴素贝叶斯的垃圾邮件分类实战：400封邮件95.15%准确率源码解析

简介这份资源面向计算机相关专业正在做大作业、课程设计或期末项目的学生以及需要机器学习实战练习的入门者提供一套基于贝叶斯算法实现垃圾邮件分类的完整Python项目。项目在400封正常邮件与垃圾邮件各半的测试集上取得95.15%的分类准确率仅依靠词频统计计算概率即可获得较好效果适合作为理解朴素贝叶斯原理与文本分类流程的练手案例。压缩包共约2000个文件以邮件语料样本为主另含3个py源码文件、5个pyc编译文件及txt、md说明文档整体约17.78MB目录结构便于按模块查阅。资源包含可运行源码、项目说明与数据集读者可据此复现分词、概率计算与分类评估的完整链路并在此基础上调整特征或参数进行对比实验。目前已有310人学习下载评审分98分可作为课程设计或大作业的参考方案。1. 从 400 封邮件跑出 95.15% 准确率这套贝叶斯垃圾邮件分类源码到底能干什么如果你正在做机器学习课程设计或者期末大作业大概率绕不开「垃圾邮件分类」这个经典题目。它看起来简单但真动手写的时候分词怎么处理、拉普拉斯平滑加不加、测试集怎么划分每一步都能卡住人。这套资源给的是一个完整可跑的 Python 项目基于朴素贝叶斯算法实现垃圾邮件分类附带源码、项目说明和数据集在 400 封邮件正常邮件与垃圾邮件各一半的测试集上跑出了 95.15% 的分类准确率。注意这个成绩是在「仅统计词频计算概率」的前提下拿到的没有上 TF-IDF没有调参玄学纯靠贝叶斯公式本身。它适合谁计算机相关专业正在做大作业的学生、需要一份能讲清楚原理又能跑通代码的实战项目的人、以及想拿朴素贝叶斯入门机器学习分类任务的学习者。整套东西不依赖 GPU不依赖深度学习框架一台装了 Python 的普通笔记本就能跑完。下面我从原理、代码结构、实操步骤到踩坑记录把这份资源拆开讲清楚。2. 朴素贝叶斯做文本分类为什么词频统计就够用2.1 贝叶斯公式在垃圾邮件场景下的具体含义朴素贝叶斯的核心思想其实就一句话给定一封邮件的词向量 $w(w_1,w_2,...,w_n)$算它属于垃圾邮件的概率 $P(Spam|w)$ 和属于正常邮件的概率 $P(Ham|w)$哪个大就分到哪一类。根据贝叶斯定理$$P(Spam|w) \frac{P(w|Spam) \cdot P(Spam)}{P(w)}$$分母 $P(w)$ 对两类是一样的比较时可以约掉所以实际只需要算分子。$P(Spam)$ 是先验概率直接用训练集里垃圾邮件的占比估计$P(w|Spam)$ 是似然在「朴素」假设下认为各个词相互独立于是拆成 $\prod P(w_i|Spam)$。这里有个工程上必须处理的问题如果某个词在垃圾邮件训练集里从没出现过$P(w_i|Spam)0$连乘之后整个概率归零。所以代码里一定会做拉普拉斯平滑分子加 1、分母加词表大小。这个细节在项目说明里通常会提到但很多人写作业时容易漏掉导致测试时出现「明明很明显的垃圾邮件却被判成正常」的情况。2.2 为什么选词频而不是 TF-IDF这套源码走的是最朴素的词频统计路线没有引入 TF-IDF 加权。原因很直接朴素贝叶斯本身就是一个生成式模型它建模的是 $P(w|class)$词频直接对应似然估计逻辑自洽。TF-IDF 更适合判别式模型比如 SVM、逻辑回归做特征加权硬套到朴素贝叶斯上反而破坏了概率解释。从结果看400 封邮件、二分类、词频统计95.15% 的准确率已经相当能打了。作为课程设计这个数字足够写进报告作为入门项目它让你把注意力放在「贝叶斯怎么算」而不是「特征工程怎么调」上。常见做法是先用词频跑通 baseline再考虑要不要加 TF-IDF 做对比实验——如果你导师要求有改进对比这正好是一个现成的切入点。2.3 结巴分词在中文邮件里的角色项目用的是 jieba 分词。中文不像英文有天然空格必须先把句子切成词才能统计词频。jieba 的cut方法返回一个可迭代的词语序列代码里通常会过滤掉停用词和单字减少噪声。这里有个容易翻车的地方如果你拿到的数据集里混了英文邮件jieba 对英文的处理是按字符切的需要额外做判断或者用正则先把英文单词抽出来。项目说明里如果没提这一点自己跑的时候要留意。3. 把源码跑起来环境、数据加载与训练流程拆解3.1 环境准备与依赖安装项目基于 Python3.4 开发环境但实际用 Python3.6 以上版本跑基本没问题jieba 对新版本 Python 兼容性很好。我一般会先建一个虚拟环境避免和系统里的包打架# 创建虚拟环境Python3.6 python -m venv spam_env # 激活虚拟环境 # Windows: spam_env\Scripts\activate # macOS/Linux: source spam_env/bin/activate # 安装唯一的外部依赖 pip install jieba逻辑说明这个项目除了 jieba 之外不需要 numpy、pandas、sklearn 这些重型库所有贝叶斯计算都是纯 Python 实现的。参数方面jieba 不需要额外配置pip install jieba装完即用。如果你用的是 Anaconda也可以conda install jieba效果一样。装完之后建议在 Python 交互环境里import jieba确认一下没报错就说明环境通了。3.2 数据集的目录结构与加载逻辑资源包里的数据集一般按类别分文件夹存放典型结构是data/spam/和data/ham/两个目录每个目录下是一堆.txt邮件文件。加载的时候遍历目录、读取文件内容、打标签拼成一个(邮件文本, 标签)的列表。下面是我根据这类项目常见写法还原的加载代码import os def load_dataset(data_dir): 遍历 data_dir 下的 spam 和 ham 两个子目录 返回邮件文本列表和对应标签列表 docs [] # 存放每封邮件的原始文本 labels [] # 存放标签1 表示垃圾邮件0 表示正常邮件 for label_name, label_id in [(spam, 1), (ham, 0)]: folder os.path.join(data_dir, label_name) for filename in os.listdir(folder): filepath os.path.join(folder, filename) # 只处理 txt 文件跳过其他杂项 if not filename.endswith(.txt): continue with open(filepath, r, encodingutf-8, errorsignore) as f: docs.append(f.read()) labels.append(label_id) return docs, labels逻辑说明errorsignore是为了防止某些邮件文件编码不统一导致读取报错这是血泪经验——中文数据集里混进 GBK 编码的文件太常见了。参数方面data_dir指向数据集根目录目录名spam和ham如果和实际不一致改这里就行。标签用 1/0 而不是字符串是为了后面计算先验概率时直接做数值运算。3.3 分词、词表构建与贝叶斯训练训练阶段做三件事对所有邮件分词、统计每个词在两类邮件中的出现次数、算先验概率和条件概率。核心代码如下import jieba from collections import defaultdict def tokenize(text): 结巴分词过滤长度小于2的词和空白符 return [w for w in jieba.cut(text) if len(w) 2 and w.strip()] def train(docs, labels): 训练朴素贝叶斯模型 返回先验概率、条件概率字典、词表 spam_word_count defaultdict(int) # 垃圾邮件中每个词的出现次数 ham_word_count defaultdict(int) # 正常邮件中每个词的出现次数 spam_total 0 # 垃圾邮件总词数 ham_total 0 # 正常邮件总词数 vocab set() # 全局词表 spam_doc_num 0 # 垃圾邮件封数 ham_doc_num 0 # 正常邮件封数 for doc, label in zip(docs, labels): words tokenize(doc) vocab.update(words) if label 1: spam_doc_num 1 for w in words: spam_word_count[w] 1 spam_total 1 else: ham_doc_num 1 for w in words: ham_word_count[w] 1 ham_total 1 total_docs spam_doc_num ham_doc_num # 先验概率 p_spam spam_doc_num / total_docs p_ham ham_doc_num / total_docs # 条件概率加1平滑拉普拉斯平滑 vocab_size len(vocab) p_word_spam {} p_word_ham {} for w in vocab: p_word_spam[w] (spam_word_count[w] 1) / (spam_total vocab_size) p_word_ham[w] (ham_word_count[w] 1) / (ham_total vocab_size) return p_spam, p_ham, p_word_spam, p_word_ham, vocab逻辑说明defaultdict(int)省去了判断 key 是否存在的步骤。拉普拉斯平滑体现在1和vocab_size上这是防止零概率的关键。参数方面len(w) 2这个过滤阈值可以调改成 1 会保留单字可能提升召回但引入噪声改成 3 会过滤掉「发票」「贷款」这类两字关键词不建议。训练完得到的p_word_spam和p_word_ham就是预测时查表用的核心数据结构。3.4 预测与准确率计算预测时对每封测试邮件分词查条件概率表取对数避免下溢然后比较两类得分import math def predict(text, p_spam, p_ham, p_word_spam, p_word_ham, vocab): 对单封邮件进行分类返回 1垃圾或 0正常 使用对数概率防止连乘下溢 words tokenize(text) log_spam math.log(p_spam) log_ham math.log(p_ham) for w in words: # 未登录词跳过不影响分类 if w not in vocab: continue log_spam math.log(p_word_spam[w]) log_ham math.log(p_word_ham[w]) return 1 if log_spam log_ham else 0 def evaluate(docs, labels, model): 计算测试集准确率 p_spam, p_ham, p_word_spam, p_word_ham, vocab model correct 0 for doc, label in zip(docs, labels): pred predict(doc, p_spam, p_ham, p_word_spam, p_word_ham, vocab) if pred label: correct 1 return correct / len(docs)逻辑说明用math.log把连乘转成连加是文本分类里的标准操作否则几百个词的概率乘起来直接变成浮点零。参数方面未登录词直接跳过是一种简化处理更严谨的做法是给未登录词也分配一个平滑后的概率。测试集 400 封邮件各一半跑出来 95.15% 准确率意味着大约有 19 封分错了这个量级在课程设计里完全可以接受。4. 避坑与排查跑这套源码时最容易翻车的五个地方4.1 准确率远低于 95%先查数据编码现象代码跑通了但准确率只有 60% 多甚至接近随机猜。 原因邮件文件编码不统一部分文件用utf-8读取时乱码分词结果全是无意义字符词频统计完全失真。 解决在文件读取处加errorsignore或者用chardet检测编码后再读。更稳妥的做法是先把所有文件统一转成 UTF-8 再跑。4.2 所有邮件都被判成同一类检查先验概率现象测试集上所有邮件都被预测为垃圾邮件或都被预测为正常邮件。 原因先验概率计算时把spam_doc_num或ham_doc_num搞反了或者数据集加载时标签映射写错导致某一类样本数为零。 解决在train函数里打印p_spam和p_ham正常应该是接近 0.5 对 0.5。如果出现 0 或 1回去检查目录名和标签的对应关系。4.3 分词结果里全是单字jieba 没加载自定义词典现象tokenize返回的词大部分是单个汉字像「发」「票」「贷」「款」这样被切开。 原因jieba 默认词典对某些领域词汇识别不好或者代码里过滤条件写成了len(w) 1但实际效果不对。 解决确认过滤条件是len(w) 2如果特定领域词被切碎可以用jieba.load_userdict(userdict.txt)加载自定义词典把「发票」「贷款」「中奖」这类词加进去。4.4 测试集准确率波动大数据划分没固定随机种子现象每次重新划分训练集和测试集准确率在 90% 到 97% 之间跳。 原因用了random.shuffle但没有设种子每次跑的数据划分不一样。 解决在 shuffle 之前加random.seed(42)保证每次跑的结果可复现。课程设计报告里写准确率一定要固定种子否则导师让你复现你复现不出来就尴尬了。4.5 预测时报 KeyError词表里没有这个词现象predict函数里查p_word_spam[w]时抛 KeyError。 原因测试邮件里出现了训练集词表中不存在的词代码没有做未登录词判断。 解决在查表前加if w not in vocab: continue或者用p_word_spam.get(w, 默认平滑值)兜底。上面给的预测代码已经处理了这一点如果你自己改代码时删掉了这个判断就会踩这个坑。5. 从 95.15% 再往上走几个能写进报告里的改进方向这套源码的 baseline 已经跑通了但如果你想让课程设计更有说服力或者导师要求有改进对比下面几个方向可以直接上手试。第一个是特征选择词频统计把所有词都塞进模型像「的」「了」「在」这种高频停用词其实对分类没贡献反而稀释了关键词的权重。加一个停用词表过滤或者用卡方检验选 top-N 个最有区分度的词通常能把准确率再拉一两个点。第二个是引入 TF-IDF 做对比实验虽然朴素贝叶斯和 TF-IDF 不是天然搭配但你可以把 TF-IDF 加权后的特征喂给朴素贝叶斯看结果变化这本身就是一组很好的对比数据。第三个方向是调整平滑系数。拉普拉斯平滑固定加 1实际上这个 1 可以换成更小的值比如 0.1这叫 Lidstone 平滑。平滑系数越小模型越信任训练数据越大泛化能力越强但可能欠拟合。你可以写个循环把平滑系数从 0.01 试到 1.0画一条准确率曲线这张图放进报告里比单纯写「准确率 95.15%」有分量得多。第四个方向是交叉验证。现在是把 400 封邮件固定划分一次结果受划分方式影响大。改成 5 折交叉验证每折都算准确率再取平均得到的数字更稳定也更能说明模型的真实泛化能力。代码改动不大用sklearn.model_selection.KFold或者自己写个循环都行。最后一个技巧是关于错误分析的。把分错的那些邮件单独打印出来看看它们长什么样。我自己的习惯是每次跑完分类任务都把 FP正常邮件被判成垃圾和 FN垃圾邮件被判成正常各抽 5 条出来读一遍。很多时候你会发现分错的邮件要么特别短、要么是那种「半垃圾」的营销邮件这种边界样本本身就是很好的分析素材。从那以后我每次做文本分类都强制走一遍错误样本抽查比盯着准确率数字有用得多。希望帮到你。本文还有配套的精品资源点击获取