玉田微信公众号开发【玉田网络推广】玉田建站、玉田网站维护、玉田网页制作、玉田微信小程序代运营公司

玉田微信公众号开发【玉田网络推广】玉田建站、玉田网站维护、玉田网页制作、玉田微信小程序代运营公司

玉田县，河北省财政直管县， [1]  隶属河北省唐山市，地处河北省东北部，唐山市最西端， [2]  东接丰润区，西、北与天津市蓟州区接壤，西南隔蓟运河与天津市宝坻区相望，南界天津市宁河区，东北与遵化市相连。 [3] 

玉田县古称无终、渔阳，源自古代志怪小说《搜神记》中“阳伯雍无终山种石得玉”的故事。 [4]  旧石器时代即有人类活动，武则天时，无终县更名玉田县。天宝元年（742年），划出玉田县之东境始建遵化市。 [5]  金泰和年间（1201年），又划出县之东境始建丰闰县（丰润区）。截至2020年6月，玉田总面积1170平方公里，截至2020年6月，玉田县常住人口71.6万（城镇人口38.1万）， [2]  下辖1个街道、16个镇、4个乡。 [6] 

京秦铁路、大秦铁路、京唐城际铁路、津承城际铁路、北京—抚远公路（102国道）、玉滨公路、塘承高速、长春—深圳高速公路、、京沈高速公路、首都地区环线高速公路、北京—秦皇岛高速公路、京哈高速公路（G1）贯穿玉田全境。

玉田是传统农业大县，素有“冀东粮仓”之称，其中玉田甲鱼和玉田白菜为地理标志保护产品。 [2]  玉田县属东部大陆性季风气候。北部为燕山余脉，丘陵连绵；中部为山麓平原，土地肥沃，南部为洼地。 [2] 

玉田县是中国生猪调出大县 [7]  、中国大白菜之乡 [8]  省级园林县城、国家现代农业示范区 [9]  、全国农村改革试验区 [9]  、国家农业科技园区 [10]  、全国县域经济强县 [11]  、全国科技进步先进县 [12]  、国家农产品质量安全县 [13]  、全国义务教育发展基本均衡县 [14]  、第二批革命文物保护利用片区分县 [15]  、河北省数字乡村试点地区。

SpamAssassin 风格的线性分类很适合入门讲解。但你有必要了解，它并不是机器学习中的唯一方法。

贝叶斯文本分类

如果学习的任务不仅包括测试的权值，而且包括测试本身，我们该如何应对？如何确定文本-图像比是不是合适的测试？最重要的是，我们如何首先设计出这样的测试？令人欣慰的是，这些都是机器学习最擅长解决的。

你可能已经注意到，截至目前，SpamAssassin 的测试看似并未对邮件本身的内容给予足够的关注。诚然，像“Viagra”（万艾可/ 伟哥）、“free iPod”（免费iPod）或“affirm your accountdetails”（确认你的账户细节）这样的词汇或短语都可作为很好的垃圾邮件指示信号，而其他某些词汇(如只有朋友才使用的特定昵称) 则指向普通邮件。为此，许多垃圾邮件过滤器都运用了文本分类技术。通常，这些技术都会维护一个可作为垃圾邮件或普通邮件指示信号的词汇/ 短语表。例如，假设我们在4 封垃圾邮件和1 封普通邮件中发现了“Viagra”这个词。当新邮件到来时，如果它包含了“Viagra”这个词，我们会推断它有4 : 1的几率成为垃圾邮件，或者说该邮件为垃圾邮件的概率为0.8，为普通邮件的概率为0.2（可参考“背景知识2”来回顾概率论中的一些基本概念）。

然而实际情况往往并非如此简单，因为我们还需考虑垃圾邮件的出现频率。假设在收到的邮件中，平均每七封邮件中有一封垃圾邮件（真这样就好了！），这就意味着下一封到来的邮件有1 : 6的几率为垃圾邮件。这个几率不算很高，但也不能无视。如果我获知该邮件中包含了“Viagra”，由于该词在垃圾邮件中出现的几率是普通邮件的4 倍，所以在下结论之前需要将这两个几率综合考虑。稍后你将看到，借助贝叶斯公式，只需将这两个几率相乘，即(1 : 6) (4 : 1) = 4/6，便可得出该邮件是垃圾邮件的概率为0.4。换言之，尽管该封邮件的正文中出现了“Viagra”，最保险的方式仍然是将其判定为普通邮件。这显然不合常理，不是吗？

要理解上述内容，需要明确我们刚才所做的是对两种彼此独立的证据进行融合，其中一种证据刻画的是垃圾邮件的出现概率，而另一种证据则描述了“Viagra”这个词的出现概率。这两种证据形成两股互相牵制的力量，这意味着对二者相对强弱的评价极其重要。前面给出的数字告诉我们：为了推翻垃圾邮件相对稀少这个假设，需要至少6 : 1 的几率，但“Viagra”的出现几率的估计量仅为4 : 1，不足以决定性地倒向“垃圾邮件”的方向，也就无法确保该邮件为垃圾邮件。它所起的作用是削弱“该邮件为普通邮件”这个结论的力度( 因为该邮件为普通邮件的概率从6/7 = 0.86 降至了6/10 = 0.60)。

贝叶斯分类的好处是进一步的证据可在原有基础上使用。例如，假设包含短语“blue pill”的邮件为垃圾邮件的几率的估计量为3 : 1（即在包含该短语的邮件中，垃圾邮件的数量是普通邮件的3 倍），并假定待分类邮件同时包含了“Viagra”和“blue pill”，则综合考虑二者得到的几率为4 : 1乘以3 : 1，即12 : 1，这足以压倒垃圾邮件1 : 6的低出现几率。这样，该邮件为垃圾邮件的总几率即为2 : 1，从而其为垃圾邮件的概率由原先的0.4 增加至0.67。

无须估计和操作联合概率使得处理大量(高维) 随机变量成为可能。实际上，一个典型的贝叶斯垃圾邮件过滤器或文本分类器的词汇表可能包含了10 000 来个词汇1。所以，我们并不使用由领域专家手工构造的、被认为具有相关性和可预测性的一小组“特征”，而是在规模较大的数据集上借助分类器来指出哪些特征是重要的，以及何种组合方式是最优的。

1实际上，多个词构成的词组通常会分解为其构成词，这样P(blue pill) 便可用P(blue)P(pill) 来近似。

需要注意的是，在将与“Viagra”和“blue pill”关联的几率相乘时，我们隐式地做出了二者彼此独立的假设。这显然值得商榷，因为在获知某封邮件包含短语“blue pill”后，如果又从邮件中发现了词语“Viagra”，我们肯定不会感到意外。该现象可用如下的概率语言来表述：

概率P(Viagra | blue pill) 接近于1；

因此联合概率P(Viagra, blue pill) 接近于P(blue pill)；

因此，与两个短语“Viagra”和“blue pill”关联的垃圾邮件的几率不会和与“blue pill”关联的垃圾邮件的几率存在明显差异。

换言之，将两个几率相乘是将本质上同一的信息统计了两次。乘积几率12 : 1 几乎必然是一种过高的估计，实际的联合几率可能不会超过一个比其明显低的几率值，如5 : 1。

这样看来，我们好像陷入了一种困境。为了避免重复计数，就需要考虑一些短语联合出现的情况；而为了保证这些联合概率的可计算性，在定义该问题时我们又必须假设各变量相互独立。这样，我们所期望的看起来更类似于基于规则的模型，例如：

（1）如果邮件中包含了“Viagra”，则将垃圾邮件的几率估计为4 : 1；

（2）否则，如果它包含了短语“blue pill”，则将垃圾邮件的几率估计为3 : 1；

（3）否则，将垃圾邮件的几率估计为1 : 6。

上述第一条规则涵盖了所有包含“Viagra”的邮件（无论这些邮件是否包含短语“bluepill”)，因此不会出现重复计数的情况；第二条规则利用“otherwise”（否则）子句，仅涵盖了包含短语“blue pill”但不包含单词“Viagra”的邮件；而第三条规则涵盖了其余所有邮件，即那些既不包含“Viagra”也不包含“blue pill”的邮件。

玉田微信公众号开发【玉田网络推广】玉田建站、玉田网站维护、玉田网页制作、玉田微信小程序代运营公司