[TOC] ## 概述 在實際應用中，這些概率通常是從訓練數據中計算得出的，而不是手動設置。上述示例是一個簡化的演示，實際情況下樸素貝葉斯分類器可以包括更多特征和更復雜的計算。 ```python # 詞匯表 vocabulary = {'money': 0.8, 'free': 0.7, 'click': 0.6, 'meeting': 0.2} def classify_email(email_text): # 將郵件文本分詞 words = email_text.split() # 初始化概率 spam_probability = 1.0 non_spam_probability = 1.0 # 計算概率 for word in words: if word in vocabulary: # 計算是垃圾郵箱的概率 spam_probability *= vocabulary[word] # 計算不是垃圾郵箱的概率 non_spam_probability *= 1 - vocabulary[word] # 根據概率比較判斷 if spam_probability > non_spam_probability: return "垃圾郵件" else: return "非垃圾郵件" # 示例郵件 email_example = "Get free money now!" # 分類 result = classify_email(email_example) print(f"The email is classified as: {result}") # The email is classified as: 垃圾郵件 ```