朴素贝叶斯实现垃圾邮件过滤的源码

朴素贝叶斯分类器在垃圾邮件过滤中是一个常见的应用。朴素贝叶斯算法基于贝叶斯定理，假设特征之间相互独立，尽管这个“朴素”假设通常在实际数据中并不成立，但在许多场景下它仍能提供不错的性能。以下是一个简单的Python示例，使用scikit-learn库实现垃圾邮件过滤：

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB
import pandas as pd

# 假设你已经有了两个CSV文件，一个是训练集（train.csv），包含邮件内容（text）和标签（label, 0表示非垃圾邮件，1表示垃圾邮件）
train_data = pd.read_csv('train.csv')

# 文本预处理（如分词、去除停用词等）
vectorizer = CountVectorizer()
X_train = vectorizer.fit_transform(train_data['text'])
y_train = train_data['label']

# 训练朴素贝叶斯模型
model = MultinomialNB()
model.fit(X_train, y_train)

# 对新的邮件进行分类
def classify_spam(text):
    X_test = vectorizer.transform([text])
    prediction = model.predict(X_test)
    return 'Spam' if prediction[0] == 1 else 'Not Spam'

new_email = "这是一封测试邮件..."
print(classify_spam(new_email))