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, natrénujte jej pomocí e-mailů z ham_folder (ne-spam) a spam_folder (spam) metodou ’train_filter(message, is_spam)’, pak uložte natrénovanou databázi pomocí ‘save_database(file_path)’.
4. Vytvořte Spam Analyzer, obnovte natrénovanou databázi pomocí ’load_database(file_path)’, načtěte soubory .eml z ’test_folder’, analyzujte každou pomocí ’test(message)’ pro získání pravděpodobnosti spamu a vytiskněte předmět e-mailu a klasifikaci pomocí ‘print_result’.

import os

from aspose.email import MailMessage
from aspose.email.antispam import SpamAnalyzer

ham_folder = "hamFolder"
spam_folder = "spamFolder"
test_folder = "testFolder"
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 train_from_directory(analyzer, folder, is_spam):
    for file in os.listdir(folder):
        if file.endswith(".eml"):
            analyzer.train_filter(MailMessage.load(os.path.join(folder, file)), is_spam)

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

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()
analyzer.load_database(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)