◈贝叶斯推断与过滤垃圾邮件

贝叶斯推断与过滤垃圾邮件

阮一峰 / 2013-03-29

本文是《黑客与画家》第8章“防止垃圾邮件的一种方法”的通俗解释,详细讲解了相关概念和过滤垃圾邮件的算法细节。

什么是贝叶斯推断

贝叶斯推断是一种统计学方法,用来估计统计量的某种性质。它是贝叶斯定理的应用。英国数学家托马斯·贝叶斯(Thomas Bayes)在1763年发表的一篇论文中,首先提出了这个定理。

贝叶斯推断与其他统计学推断方法截然不同。它建立在主观判断的基础上,也就是说,你可以不需要客观证据,先估计一个值,然后根据实际结果不断修正。正是因为它的主观性太强,曾经遭到许多统计学家的诟病。

贝叶斯推断需要大量的计算,因此历史上很长一段时间无法得到广泛应用。只有计算机诞生以后,它才获得真正的重视。人们发现,许多统计量是无法事先进行客观判断的,而互联网时代出现的大型数据集,再加上高速运算能力,为验证这些统计量提供了方便,也为应用贝叶斯推断创造了条件,它的威力正在日益显现。

贝叶斯定理

要理解贝叶斯推断,必须先理解贝叶斯定理。后者实际上就是计算“条件概率”的公式。

所谓条件概率,就是指在事件B发生的情况下,事件A发生的概率,用P(A|B)来表示。

从上图可以清楚地看到在事件B发生的情况下,事件A发生的概率就是P(A\cap B)除以P(B):

P(A|B)=\frac

由此可以得到

P(A\cap B)=P(A|B)P(B)

同理可得

P(A\cap B)=P(B|A)P(A)

综合以上两式可得

P(A|B)P(B)=P(B|A)P(A)

即

P(A|B)=\frac

这就是条件概率的计算公式。

全概率公式

由于后面要用到,所以除了条件概率以外,这里还要推导全概率公式。

假定样本空间S是两个事件A与'的和。

上图中,圆内部分是事件A,方框内圆外部分是事件',它们共同构成了样本空间S。

在这种情况下,事件B可以划分成两个部分。

即

P(B)=P(B\cap A)+P(B\cap ')

在上一节的推导当中,已知

P(B\cap A)=P(B|A)+P(A)

所以可得

P(B)=P(B|A)P(A)+P(B|')P(')

这就是全概率公式。它的含义是,如果A和'构成样本空间的一个划分,那么事件B的概率,就等于A和'的概率分别乘以B对这两个事件的条件概率之和。

将这个公式代入上一节的条件概率公式,就得到了条件概率的另一种写法:

P(A|B)=\frac')P(')}

贝叶斯推断的含义

对条件概率公式进行变形,可以得到如下形式:

P(A|B)=\frac

我们把P(A)称为“先验概率”,即在B事件发生之前,我们对A事件发生概率的一个判断。P(A|B)称为“后验概率”,即在B事件发生之后,我们对A事件发生概率的重新评估。P(B|A)/P(B)称为“可能性函数”,这是一个调整因子,使得预估概率更接近真实概率。

所以,条件概率可以理解成下面的式子:

后验概率=先验概率×调整因子

这就是贝叶斯推断的含义。我们先预估一个先验概率,然后加入实验结果,看这个实验到底是增强了还是削弱了先验概率,由此得到更接近事实的后验概率。

在这里,如果可能性函数P(B|A)/P(B)>1,意味着先验概率被增强,事件A发生的可能性变大;如果可能性函数=1,意味着B事件无助于判断事件A发生的可能性;如果可能性函数<1,意味着先验概率被削弱,事件A发生的可能性变小。

【例子】水果糖问题

为了加深对贝叶斯推断的理解,我们看两个例子。

第一个例子。有两个一模一样的碗,一号碗有30颗水果糖和10颗巧克力糖,二号碗有水果糖和巧克力糖各20颗。现在随机选择一个碗,从中摸出一颗糖,发现是水果糖。请问这颗水果糖来自一号碗的概率有多大?

我们假定,H_1表示一号碗,H_2表示二号碗。由于这两个碗是一样的,所以P(H_1)=P(H_2),也就是说,在取出水果糖之前,这两个碗被选中的概率相同。因此,P(H_1)=0.5,我们把这个概率就叫作先验概率,即没有做实验之前,来自一号碗的概率是0.5。

再假定,E表示水果糖,所以问题就变成了在已知E的情况下,来自一号碗的概率有多大,即求P(H_1|E)。我们把这个概率叫作后验概率,即在E事件发生之后,对P(H_1)的修正。

根据条件概率公式,得到

P(H_1|E)=P(H_1)\frac

已知,P(H_1)等于0.5,P(E|H_1)为一号碗中取出水果糖的概率,等于0.75,那么求出P(E)就可以得到答案。根据全概率公式,因为

P(E)=P(E|H_1)P(H_1)+P(E|H_2)P(H_2)

所以

P(E)=0.75\times 0.5+0.5\times 0.5=0.625

将数值代入原方程,得到

P(H_1|E)=0.5\times \frac=0.6

这表明,来自一号碗的概率是0.6。也就是说,取出水果糖之后,H_1事件的可能性得到了增强。

【例子】假阳性问题

第二个例子是一个医学的常见问题,与现实生活关系紧密。

已知某种疾病的发病率是0.001,即1 000个人中会有1个人得病。现有一种试剂可以检验患者是否得病,它的准确率是0.99,即在患者确实得病的情况下,它有99%的可能呈现阳性。它的误报率是5%,即在患者没有得病的情况下,它有5%的可能呈现阳性。现有一个病人的检验结果为阳性,请问他确实得病的可能性有多大?

假定A事件表示得病,那么P(A)为0.001。这就是先验概率,即没有做试验之前,我们预计的发病率。再假定B事件表示阳性,那么要计算的就是P(A|B)。这就是后验概率,即做了试验以后,对发病率的估计。

根据条件概率公式,有

P(A|B)=\frac')P(')}

将数值代入上式,得到

P(A|B)=0.001\times \frac\approx 0.019

我们得到了一个惊人的结果,P(A|B)约等于0.019。也就是说,即使检验呈现阳性,病人得病的概率,也只是从0.1%增加到了2%左右。这就是所谓的“假阳性”,即阳性结果完全不足以说明病人得病。

为什么会这样?为什么这种检验的准确率高达99%,但是可信度却不到2%?答案与它的误报率太高有关。1

有兴趣的朋友,还可以算一下“假阴性”问题,即检验结果为阴性,但是病人确实得病的概率有多大。然后考虑一下,“假阳性”和“假阴性”哪一个才是医学检验的主要风险。

什么是贝叶斯过滤器

垃圾邮件是一种令人头痛的顽症,困扰着所有互联网用户。

正确识别垃圾邮件的技术难度非常大。传统的垃圾邮件过滤方法主要有“关键词法”和“校验和法”等。前者的过滤依据是特定的词语;后者则是计算邮件文本的校验和,再与已知的垃圾邮件进行对比。它们的识别效果都不理想,而且很容易规避。

2002年,保罗·格雷厄姆提出使用贝叶斯推断过滤垃圾邮件。他说,这样做的效果,好得不可思议。1 000封垃圾邮件可以过滤掉995封,且没有一个误判。

另外,这种过滤器还具有自我学习的功能,会根据新收到的邮件不断调整。收到的垃圾邮件越多,它的准确率就越高。

建立历史资料库

贝叶斯过滤器是一种统计学过滤器,建立在已有的统计结果之上。所以,我们必须预先提供两组已经识别好的邮件,一组是正常邮件,另一组是垃圾邮件。

我们用这两组邮件,对过滤器进行“训练”。这两组邮件的规模越大,训练效果就越好。保罗·格雷厄姆使用的邮件规模,是正常邮件和垃圾邮件各4 000封。

“训练”过程很简单。首先,解析所有邮件,提取每一个词。然后,计算每个词语在正常邮件和垃圾邮件中的出现频率。比如sex这个词,在4 000封垃圾邮件中,有200封包含这个词,那么它的出现频率就是5%;而在4 000封正常邮件中,只有2封包含这个词,那么出现频率就是0.05%。2

有了这个初步的统计结果,过滤器就可以投入使用了。

贝叶斯过滤器的使用过程

现在,我们收到了一封新邮件。在未经统计分析之前,我们假定它是垃圾邮件的概率为50%。3

我们用S表示垃圾邮件(spam),H表示正常邮件(healthy)。因此,P(S)和P(H)的先验概率都是50%。

P(S)=P(H)=0.5

然后,对这封邮件进行解析,发现其中包含了sex这个词,请问这封邮件属于垃圾邮件的概率有多高?

我们用W表示sex这个词,那么问题就变成了如何计算P(S|W)的值,即在某个词语(W)已经存在的条件下,垃圾邮件(S)的概率有多大。

根据条件概率公式,马上可以写出

P(S|W)=\frac

上式中,P(W|S)和P(W|H)表示这个词语在垃圾邮件和正常邮件中分别出现的概率。这两个值可以从历史资料库中得到,对sex这个词来说,上文假定它们分别等于5%和0.05%。另外,前面说过P(S)和P(H)的值都等于50%。所以,马上可以计算P(S|W)的值:

P(S|W)=\frac=99.0%

因此,这封新邮件是垃圾邮件的概率等于99%。这说明,sex这个词的推断能力很强,将50%的先验概率一下子提高到了99%的后验概率。

联合概率的计算

做完上面一步,请问我们能否得出结论,这封新邮件就是垃圾邮件?

回答是不能。因为一封邮件包含很多词语,一些词语(比如sex)说这是垃圾邮件,另一些说这不是。你怎么知道以哪个词为准?

保罗·格雷厄姆的做法是,选出这封信中P(S|W)最高的15个词,计算它们的联合概率。4

所谓联合概率,就是指在多个事件发生的情况下,另一个事件发生的概率有多大。比如,已知W_1和W_2是两个不同的词语,它们都出现在某封电子邮件之中,那么这封邮件是垃圾邮件的概率,就是联合概率。

在已知W_1和W_2的情况下,无非就是两种结果:垃圾邮件(事件E_1)或正常邮件(事件E_2)。

事件

W_1

W_2

垃圾邮件

E_1

出现

出现

是

E_2

出现

出现

不是

其中,W_1、W_2和垃圾邮件的概率分别如下:

事件

W_1

W_2

垃圾邮件

E_1

P(S\mid W_1)

P(S\mid W_2)

P(S)

E_2

1-P(S\mid W_1)

1-P(S\mid W_2)

1-P(S)

假定所有事件都是独立事件5,那么就可以计算P(E_1)和P(E_2):

P(E_1)=P(S\mid W_1)P(S\mid W_2)P(S)

P(E_2)=(1-P(S\mid W_1))(1-P(S\mid W_2)P(S))

又由于在W_1和W_2已经发生的情况下,垃圾邮件的概率等于:

P=\frac

即

P=\frac

将P(S)等于0.5代入,得到

P=\frac}{+(1-P_1)(1-P_2)}

这就是联合概率的计算公式。

最终的计算公式

将上面的公式扩展到15个词的情况,就得到了最终的概率计算公式:

P=\frac{\cdots }}{\cdots }+(1-P_1)(1-P_2)\cdots (1-P_)}

一封邮件是不是垃圾邮件,就用这个式子进行计算。这时我们还需要一个用于比较的阈值。保罗·格雷厄姆的阈值是0.9,概率大于0.9,表示15个词联合认定,这封邮件有90%以上的可能属于垃圾邮件;概率小于0.9,就表示是正常邮件。

有了这个公式以后,一封正常的邮件即使出现sex这个词,也不会被认定为垃圾邮件了。