algorithm - 朴素贝叶斯分类(垃圾邮件过滤)——哪种计算是正确的？

Question

我正在实现用于垃圾邮件过滤的朴素贝叶斯分类器。我对一些计算有疑问。请告诉我该怎么做。这是我的问题。

在这个方法中，你必须计算

P(S|W) -> 消息是垃圾邮件的概率，给定单词 W 出现在其中。

P(W|S) -> 单词 W 在垃圾邮件中出现的概率。

P(W|H) -> 单词 W 在 Ham 消息中出现的概率。

所以要计算P(W|S)，下列哪项是正确的:

1. (W在垃圾邮件中出现的次数)/(W在所有邮件中出现的总次数)

2. (单词W在垃圾邮件中出现的次数)/(垃圾邮件中的单词总数)

那么，要计算 P(W|S)，我应该做 (1) 还是 (2)？ (我认为它是(2)，但我不确定。)

我指的是 http://en.wikipedia.org/wiki/Bayesian_spam_filtering顺便说一下信息。

我必须在本周末之前完成实现 :(

---

单词“W”的重复出现不应该增加邮件的垃圾邮件分数吗？在您的方法中它不会，对吗？

比方说，我们有 100 条训练消息，其中 50 条是垃圾邮件，50 条是非垃圾邮件。并说每条消息的 word_count = 100。

假设，在垃圾邮件中，单词 W 在每条邮件中出现 5 次，而单词 W 在非垃圾邮件中出现 1 次。

因此所有垃圾邮件中出现的总次数W = 5*50 = 250次。

W 在所有 Ham 消息中出现的总次数 = 1*50 = 50 次。

W 在所有训练消息中的总出现次数 = (250+50) = 300 次。

那么，在这种情况下，您如何计算 P(W|S) 和 P(W|H) ？

当然我们应该期待，P(W|S) > P(W|H) 对吗？

Answer 1

P(W|S) =(包含 W 的垃圾邮件数量)/(所有垃圾邮件数量)