分为以下几个步骤：
- 用Python创建朴素贝叶斯模型；
- 使用朴素贝叶斯模型对垃圾邮件分类；
- 把文本文件变成词向量
- 评价朴素贝叶斯模型的分类效果。
- 把给定的数据集message.csv拆分成训练集和测试集，使用sklearn.naive_bayes.MultinomialNB类创建一个朴素贝叶斯模型，使用训练数据训练出一个预测模型，然后用预测模型对测试集中数据进行分类，评价模型的分类效果。
- message.csv数据集中包含大量的短信，每行数据包括2个字段：短信内容，短信类别（1或者0）,短信类别为1的是垃圾邮件。
注意：
- 短信内容均为文本数据，需要使用词编码word2vec等将其转换为向量形式，
- 而且需要创建字典，这里使用哈工大提供的库。
- 如果自己数据集是脏数据比较多，需要先自己写一个过滤器，过滤掉已经知道的无意义的字符，比如符号*、#等等；
- 如果要训练一个特定领域的邮件分类器，可以自己自定义字典大小，理论上，字典越小，训练越快；
- 根据训练数据生成特征矩阵和分类矩阵，显示训练矩阵特征维度
- 根据测试数据生成特征矩阵和分类矩阵，显示测试矩阵特征维度
- 用训练集训练朴素贝叶斯模型
注意：
- 训练时候，直接采用sklearn提供的接口就可以，model.fit(x,y)；
- 这里采用sklearn已经提供的naive_bayes.MultinomialNB类创建分类器，可以根据实际情况更换分类器或者自定义分类器。
- 用测试集进行预测
- 计算并显示模型的准确率、精度、召回率和F1值
