Použití bayesovské spamové filtrace k klasifikaci e‑mailů v Pythonu

Použití bayesovské spamové filtrace

Aspose.Email poskytuje funkci filtrování e‑mailů pomocí bayesovského spamového analyzátoru. Poskytuje SpamAnalyzer třída pro tento účel. Tento článek ukazuje, jak natrénovat filtr k rozlišení spamu a běžného e‑mailu na základě slovníkové databáze.

1. Zadejte cesty ke složkám pro ham e‑maily (ham_folder), spam e‑maily (spam_folder), testovací e‑maily (test_folder) a soubor databáze (database_file) pro spamový filtr.
2. Definujte pomocnou funkci print_result pro vytištění, zda je zpráva klasifikována jako spam nebo ne, na základě vypočtené pravděpodobnosti spamu.
3. Vytvořte Spam Analyzer pomocí souboru databáze, natrénujte jej e‑mailem ze složky ham_folder (ne spam) a spam_folder (spam), poté uložte natrénovanou databázi.
4. Načtěte soubory .eml ze složky ’test_folder’, analyzujte je pomocí SpamAnalyzer.test pro získání pravděpodobnosti spamu a vytiskněte předmět e‑mailu a klasifikaci pomocí ‘print_result’.

from aspose.email import MailMessage, SaveOptions, MsgLoadOptions, MessageFormat, FileCompatibilityMode
from aspose.email.antispam import SpamAnalyzer
import os

ham_folder = "/hamFolder"
spam_folder = "/Spam"
test_folder = data_dir
database_file = "SpamFilterDatabase.txt"

def print_result(probability):
    if probability >= 0.5:
        print("The message is classified as spam.")
    else:
        print("The message is classified as not spam.")
    print("Spam Probability: " + str(probability))
    print()

def teach_and_create_database(ham_folder, spam_folder, database_file):
    analyzer = SpamAnalyzer(database_file)
    analyzer.teach_from_directory(ham_folder, True)
    analyzer.teach_from_directory(spam_folder, False)
    analyzer.save_database()

teach_and_create_database(ham_folder, spam_folder, database_file)

test_files = [f for f in os.listdir(test_folder) if f.endswith(".eml")]
analyzer = SpamAnalyzer(database_file)

for file in test_files:
    file_path = os.path.join(test_folder, file)
    msg = MailMessage.load(file_path)
    print(msg.subject)
    probability = analyzer.test(msg)
    print_result(probability)