贝叶斯实现垃圾邮件分类的代码

贝叶斯分类器在垃圾邮件过滤中常用于文本分类任务。以下是使用Python的`scikit-learn`库实现一个简单朴素贝叶斯垃圾邮件过滤器的基本步骤：

# 导入所需的库
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB
import pandas as pd

# 假设你有一个CSV文件，其中包含两列：'text'（邮件内容）和'label'（垃圾邮件或非垃圾邮件）
data = pd.read_csv('spam_dataset.csv')

# 分割数据集为特征（邮件内容）和目标（标签）
X = data['text']
y = data['label']

# 将文本转换成向量（这里是词频计数）
vectorizer = CountVectorizer()
X_vec = vectorizer.fit_transform(X)

# 创建并训练朴素贝叶斯模型
model = MultinomialNB()
model.fit(X_vec, y)

# 对新的邮件进行预测
new_email = ["这是一封新邮件"]
new_email_vec = vectorizer.transform(new_email)
prediction = model.predict(new_email_vec)

# 输出预测结果
if prediction[0] == '垃圾邮件':
    print("这封邮件可能是垃圾邮件")
else:
    print("这封邮件不是垃圾邮件")

#