📧 Filtre anti-spam — Classificateur Naive Bayes en direct

Naive Bayes est un classificateur probabiliste construit sur le théorème de Bayes : P(classe|mots) est proportionnel à P(classe) multiplié par le produit de P(mot|classe) sur chaque mot du message. Pour le filtrage du spam, les deux classes sont spam et non-spam (courrier légitime), et le classificateur est entraîné en comptant la fréquence d'apparition de chaque mot dans des exemples étiquetés spam versus non-spam. Malgré sa simplicité, il reste une base solide et rapide pour la classification de texte car les fréquences de mots seules portent une quantité surprenante de signal sur l'intention d'un message.

Il est dit naïf car il suppose que l'occurrence de chaque mot est conditionnellement indépendante de tout autre mot étant donné la classe — en réalité, des mots comme « free » et « prize » sont corrélés, pas indépendants. Cette hypothèse est presque toujours fausse dans le langage réel, mais elle rend les mathématiques tractables : au lieu d'estimer une probabilité conjointe sur toutes les combinaisons de mots, le modèle n'a besoin que de simples comptages de fréquence par mot, ce qui rend Naive Bayes si rapide à entraîner et si résistant au surapprentissage sur de petits ensembles de données.

Sans lissage, tout mot n'étant jamais apparu dans l'ensemble d'entraînement du spam donnerait P(mot|spam) = 0, et multiplier par zéro forcerait l'ensemble du postérieur à zéro, quel que soit tout autre mot du message. Le lissage de Laplace (add-one, ou plus généralement add-alpha) ajoute une petite constante à chaque comptage de mot avant de diviser par le total de la classe, de sorte que les mots rares ou jamais vus obtiennent une petite probabilité non nulle au lieu d'anéantir tout le calcul. Cette simulation utilise alpha = 1 sur la taille du vocabulaire en direct, recalculée chaque fois qu'un nouvel exemple d'entraînement modifie le tableau de fréquence des mots.

Le modèle produit toujours une probabilité postérieure continue qu'un message soit du spam, P(spam|mots), entre 0 et 1. Le curseur de seuil définit la limite au-delà de laquelle un message est étiqueté spam plutôt que non-spam — l'augmenter rend le filtre plus prudent (moins de faux positifs, plus de spam qui passe), tandis que le diminuer attrape plus de spam au prix de davantage d'e-mails légitimes signalés à tort. Déplacer le curseur reclassifie instantanément l'e-mail actuel et recalcule la métrique de précision tenue à l'écart.

Le Naive Bayes multinomial a été l'un des tout premiers filtres anti-spam véritablement efficaces, utilisé par des outils comme le SpamAssassin original et les premiers filtres bayésiens dans les années 2000, et les mathématiques de rapport de log-vraisemblance de cette simulation sont exactement la formule réelle, pas un substitut simplifié. Les filtres commerciaux modernes superposent bien plus de signaux — réputation de l'expéditeur, liens, en-têtes, images et souvent des modèles de texte neuronaux — mais le cœur Naive Bayes basé sur la fréquence des mots présenté ici est un élément constitutif fidèle et historiquement important de ce système plus vaste.