人工智能安全：原理与实践 课件 第6章 贝叶斯和SVM分类算法的安全应用 .pptx

第6章贝叶斯和SVM分类算法的安全应用6.1贝叶斯和SVM分类算法原理简介

本章介绍本章主要讲述机器学习里两个经典的分类算法：贝叶斯分类算法和SVM分类算法，以及他们在网络空间安全领域的应用。在实践部分，主要讲述基于贝叶斯和SVM分类算法的垃圾邮件过滤系统。

1.贝叶斯分类算法（1）朴素贝叶斯分类器朴素贝叶斯分类器（NaiveBayesClassifier）是一种基于贝叶斯定理的分类算法。它是一种简单而高效的分类方法，在文本分类等领域广泛应用。朴素贝叶斯分类器假设特征之间相互独立，这是一个“朴素”的假设，因此称为朴素贝叶斯。贝叶斯分类算法的基本步骤如图所示：

1.贝叶斯分类算法贝叶斯分类算法的优点是：简单、高效，对于大规模数据集和高维特征空间也有良好的适应性。贝叶斯分类算法的缺点是：朴素贝叶斯分类器对于特征之间的依赖关系较为敏感，对于存在相关性较强的特征可能表现不佳。

2.SVM分类算法支持向量机（SupportVectorMachine，简称SVM）是一种常用的监督学习算法，用于解决二分类和多分类问题。SVM算法是一种用于分类和回归问题的机器学习算法，其基本思想是在特征空间中找到一个最优的超平面，将不同类别的样本实例分隔开。支持向量机训练基本步骤如图所示。

2.SVM分类算法SVM的适用场景:SVM在许多领域都有广泛的应用，包括文本分类、图像识别、生物信息学、金融风险分析等，其强大的泛化能力和对高维数据的处理能力使得它成为机器学习中常用的分类算法之一。

小结本小节主要简单讲述机器学习里两个经典的分类算法：贝叶斯分类算法和SVM分类算法。

祝同学们学习进步！致谢

李剑博士，教授，博士生导师网络空间安全学院lijian@bupt.edu.cnJanuary23,2025第6章贝叶斯和SVM分类算法的安全应用实践6-1基于贝叶斯和SVM分类算法的垃圾邮件过滤

本实践介绍本实践内容主要是分别采用机器学习里面两个经典算法即贝叶斯和SVM分类算法实现对垃圾邮件的过滤功能。

1.实践目的本实践的目的如下：（1）熟悉垃圾邮件过滤的一般性流程，理解分类器的基本原理。（2）设计简易的垃圾邮件分类器，完成程序设计。（3）采用不同的分类器，对性能结果进行比较。

1.实践目的垃圾邮件过滤是一种用于检测和过滤无用邮件的技术，同时也是文档分类技术的一个典型应用。随着电子邮件的普及，垃圾邮件成为了一个严重的问题，给用户带来了许多不便和安全风险。如图所示为电子邮箱中的垃圾邮件。

1.实践目的甚至有些垃圾邮件里包含着一些很明显的诈骗信息，如图所示。

1.实践目的常见方法：1.关键词过滤：2.黑名单过滤3.白名单过滤4.基于规则的过滤5.机器学习过滤

2.实验流程（1）数据准备（2）构建字典（3）将邮件文本提取成特征矩阵（4）对朴素贝叶斯分类器和支持向量机进行训练（5）使用测试集得到预测结果（6）对模型性能进行对比评估

3.实践步骤第1步：导入第三方库。首先导入了Python中处理数据科学、机器学习和统计相关的几个重要库和模块。下面将按照导入第三方库的顺序进行详细介绍：

3.实践步骤第2步：定义构建字典函数。定义了一个名为create_word_dictionary的函数，该函数接收一个参数train_directory，该参数是一个包含电子邮件文件的目录的路径。函数的目的是从这个目录中的所有电子邮件文件中提取单词，创建一个单词字典，该字典包含最常见的3000个非数字、非单字母的单词及其出现次数。

3.实践步骤第3步：定义提取特征函数。函数的目的是从指定目录中的每个邮件文件中提取特征，并将这些特征表示为一个特征矩阵，其中每行代表一个邮件文件的特征向量，每列代表一个单词在单词字典中的索引，矩阵中的值表示该单词在邮件文件中出现的次数。

3.实践步骤第4步：指定训练集目录并创建单词字典。第5步：定义训练标签。第6步：提取训练集特征。第7步：初始化线性支持向量机模型。第8步：初始化朴素贝叶斯模型。第9步：训练支持向量机模型。第10步：训练朴素贝叶斯模型。第11步：指定测试集。第12步：定义测试集标签。第13步：使用SVM模型进行预测。第14步：使用朴素贝叶斯模型进行预测。第15步：打印混淆矩阵。

4.实践效果结果：上面是SVM，下面的朴素贝叶斯。

4.实践效果两个模型在性能展现上各有千秋：（1）SVM在捕捉目标类别（如垃圾邮件）方面表现优异。（2）朴素贝叶斯则在减少非目标类别被错误分类为目标的情况上更为出色。（3）因此，选择哪个模型应根据实际应用场景的需求来定：若强调垃圾邮件的识别率，SVM是更佳选择；若优先考虑减少