Классификация: как фильтр узнаёт спам

← К урокам·Урок 1.3·45 мин

Можно ли узнать рекламу по длине сообщения? Соберём фильтр, передвинем его границу и увидим, кому достаются ошибки.

Вы ждёте сообщение об отмене занятия. Телефон показывает рекламу розыгрыша, а нужное уведомление находится в спаме. Фильтр ошибся дважды, но последствия разные: рекламу можно закрыть, об отмене занятия можно узнать уже у запертой двери.

Соберём маленький фильтр и проследим каждое его решение. Он будет смотреть только на длину SMS. Это намеренно грубое правило: на нём легко увидеть, как настройка помогает одним сообщениям и мешает другим.

Прочитайте: «Напиши, когда будешь готов» и «Вы выиграли приз, позвоните за наградой». Первое сообщение похоже на обычную переписку, второе вызывает подозрение. Вы использовали смысл текста и жизненный опыт. Нашему фильтру этот опыт пока недоступен.

Его задача называется классификацией: для каждого объекта выбрать один из заранее заданных классов. Объект у нас один SMS, классы «обычное» и «спам». Мы договорились, что ответ «спам» отправляет сообщение в отдельную папку. Для другого продукта можно придумать проверку человеком или промежуточную папку, но здесь будем выбирать из двух.

Попробуем правило «длинные сообщения считать спамом». Оно ещё недостаточно точное: для одного человека 50 символов много, для другого мало. Компьютеру нужна граница, чтобы одно и то же сообщение каждый раз получало один ответ.

Какое действие фильтра решает задачу классификации?

Ниже шесть настоящих сообщений из SMS Spam Collection. Это специально выбранные примеры, на которых видно столкновение классов. Их пропорция не описывает весь набор или вашу переписку. В колонке «Содержание» дан короткий русский пересказ; длину считаем по полному английскому оригиналу.

№ Содержание Символов Метка в наборе
1 Напиши, когда будешь готов 31 обычное
2 У вас новое сообщение, позвоните по номеру 42 спам
3 Завтра ведь нет занятий? 30 обычное
4 Вы выиграли деньги или приз, позвоните 69 спам
5 Мой номер в Лутоне, позвони, если будешь рядом 51 обычное
6 Вам досталась камера, позвоните для получения 105 спам

Назначим порог 60: если в сообщении 60 символов или больше, отправляем его в спам. Остальные оставляем во входящих. Равенство тоже оговорено: сообщение длиной ровно 60 попадёт в спам.

Применим правило к строкам. Сообщения 4 и 6 достаточно длинные; фильтр отправит их в спам. Сообщения 1, 2, 3 и 5 останутся во входящих. Сравним результат с метками: всё верно, кроме сообщения 2. Короткая реклама прошла через фильтр.

Текст SMS№ 2 42 символаменьше 60 Во входящиерешение фильтра
Три действия фильтра: прочитать текст, посчитать его длину, сравнить с порогом. Метка человека нужна позже, чтобы проверить результат.

Фильтр отправляет в спам SMS длиной 60 символов и больше, остальные — во входящие. Обычные SMS имеют длины 20 и 75 символов, спам — 60 и 90. Сколько из этих четырёх сообщений фильтр распределит верно?

Пропуск случается, когда спам остаётся во входящих. Так произошло с сообщением № 2. Ложная тревога случается, когда обычное сообщение отправляется в спам. Пока при пороге 60 её нет.

Теперь снизим порог до 40. Сообщение № 2 попадёт в спам, как мы и хотели. Вместе с ним туда отправится сообщение № 5: 51 символ тоже больше 40. По метке это обычная переписка. Мы исправили пропуск и получили ложную тревогу.

Порог 60Порог 40№ 2: спам → входящие№ 5: обычное → спамОдин пропускОдна ложная тревогаЛожных тревог нетПропусков нетВерно: 5 из 6Верно: 5 из 6
Два порога дают одинаковое число ошибок, но ошибаются на разных SMS. Это полный разбор двух состояний интерактива для печатной версии.

В обоих случаях верно распределены пять сообщений из шести. Одно число «пять верных» скрыло различие: при первом пороге читатель увидит рекламу, при втором может не увидеть сообщение знакомого.

Обычное SMS длиной 51 символ фильтр отправил в спам по правилу «40 символов и больше → спам». Что произошло?

Перед запуском предскажите результат: если поднять порог с 60 до 80, какое сообщение сменит папку? Затем проверьте себя. Квадрат обозначает спам по метке набора, круг обозначает обычное сообщение. Кольцо выделяет ошибку фильтра; нажатие на номер открывает оригинал и перевод.

Какие SMS сменят папку?

Справа от порога и на нём правило отправляет сообщения в спам. Форма показывает метку набора; кольцо и подпись показывают ошибку. Начальная настройка: порог 60, один пропуск, ни одной ложной тревоги.

При пороге 80 сообщение № 4 длиной 69 вернётся во входящие. Реклама № 2 уже была там. Получилось два пропуска. Обычные сообщения при таком сдвиге не могут впервые попасть в спам: мы только сузили область, которую фильтр считает подозрительной.

Сравните теперь 40 и 60. Для ящика с важными приглашениями владелец может предпочесть 60: он согласен вручную удалять короткую рекламу, чтобы не прятать обычное сообщение. Если каждое подозрительное SMS отправляют сотруднику на проверку, порог 40 может быть удобнее: сотрудник увидит весь спам из наших примеров и проверит одно лишнее сообщение.

Фильтр отправляет в спам сообщения длиной не меньше порога, остальные — во входящие. Порог снизили; сообщения и их настоящие метки не меняли. Что можно обещать?

Мы назначали пороги вручную и сразу видели ошибки. Обучения сложной модели здесь не было. Даже очень удачная настройка на этих шести строках ещё не обещает удачи на остальных SMS.

Зафиксируйте порог 60. Представьте новое сообщение длиной 90 символов. Правило отправит его в спам, даже если это подробные указания от друга. Мы можем уверенно предсказать действие правила; правильность действия узнаем только после проверки содержания или метки.

На наших шести строках даже идеальный выбор порога не уберёт все ошибки: спам длиной 42 расположен левее обычного сообщения длиной 51. Чтобы поймать первый, правило вынуждено захватить второе. Одного сдвига границы недостаточно. Следующий шаг разработки: попробовать другие признаки, например слова сообщения, а затем проверить новую версию на отложенных примерах.

Фильтр отправляет в спам SMS длиной 60 символов и больше. Новое сообщение длиной 90 символов ушло в спам; его настоящая метка неизвестна. Какой вывод уже можно сделать?

Проверка за пределами шести примеров

Оставим порог 60 и возьмём ещё два настоящих SMS из той же коллекции. Здесь указан смысл по-русски; длины посчитаны по английским оригиналам. До раскрытия меток решите, куда фильтр положит каждое сообщение.

Строка источника Смысл сообщения Символов
81 Извини, перезвоню позже 22
5040 Спасибо за разговор в субботу. Ты мне дорог, я ценю тебя как брата и пример для себя 133
Проверка двух новых решений

Оба SMS помечены в источнике как обычные. Первое останется во входящих — верно. Второе уйдёт в спам — ложная тревога. Оно длинное, потому что человек подробно благодарит близкого. Эти два сообщения не входили в шесть строк, на которых мы сравнивали пороги. Двух примеров мало для общей оценки, но достаточно, чтобы увидеть ещё одну конкретную ошибку.

Есть и хитрый способ получить много верных ответов: вообще ничего не отправлять в спам. В полном файле 4827 обычных сообщений и 747 спам-сообщений. Такое правило даст 4827 верных ответов из 5574, примерно 87 %, — и не поймает ни одного спама. Большая доля верных ответов ещё не означает, что фильтр выполняет свою задачу.

Профи

Посчитать ошибки и подобрать порог кодом

Обозначим длину через x, порог через t, спам числом 1, обычное сообщение числом 0. Правило: f_t(x)=1 при x\ge t и f_t(x)=0 иначе.

Четыре результата часто записывают коротко: TP — спам найден, FN — спам пропущен, FP — ложная тревога, TN — обычное сообщение оставлено во входящих. При пороге 60 получаем TP = 2, FN = 1, FP = 0, TN = 3.

\text{доля верных}=\frac{TP+TN}{TP+TN+FP+FN}=\frac{5}{6}.

Если цена ложной тревоги c_{FP}, а пропуска c_{FN}, суммарная цена ошибок равна c_{FP}FP+c_{FN}FN. Эти цены задают люди; измеренные длины их не определяют.

Поймайте весь спам из шести примеров

Цель: Измените порог: добейтесь нуля пропусков и ровно одной ложной тревоги

Эпик

Сколько решений умеет одно пороговое правило?

Пусть у n\ge2 объектов попарно различные значения признака. Расположим их слева направо. Порог с фиксированным направлением «справа класс 1» может дать только n+1 наборов ответов: всё единицы, затем один ноль слева, затем два нуля, вплоть до всех нулей. Всего же двоичных разметок 2^n.

Найдите разметку, которую такой порог не сможет выразить, и докажите это. Затем разрешите менять направление: считать классом 1 либо правую, либо левую часть оси. Сколько разных разметок получится теперь?

Решение

Возьмём две соседние точки: левая имеет метку 1, правая 0. Порог вида «справа класс 1», захватив левую точку, обязательно захватит и правую. Поэтому уже эта пара неразделима таким правилом.

При двух направлениях получается 2n разметок: два семейства по n+1, но «все нули» и «все единицы» посчитаны дважды. Других совпадений нет: непостоянная разметка первого семейства начинается с нуля и заканчивается единицей, второго наоборот. При совпадающих значениях признака разметок может быть меньше. Подсчёт описывает возможности правила; гарантии на будущие данные из него не следует.

Правило:

длина не меньше порога отправляет SMS в спам, меньшая длина оставляет во входящих.

Эксперимент:

пороги 40 и 60 дали по пять верных решений, но ошиблись на разных сообщениях.

Ограничение:

короткий спам и длинное обычное сообщение нельзя разделить таким порогом без ошибки.

Следующая проверка:

зафиксировать настройку и оценить её на сообщениях, по которым порог не выбирали.

Домашняя работа

  1. Обычные SMS имеют длины 20, 55 и 90 символов, спам — 45 и 80. Фильтр отправляет в спам сообщения длиной 60 символов и больше, остальные — во входящие. Сколько спам-сообщений останется во входящих?

Источники

  • SMS Spam Collection, UCI: оригинальные сообщения, метки, происхождение и лицензия CC BY 4.0. Наши шесть примеров выбраны для объяснения, а не для оценки качества на всём наборе.
  • Scikit-learn: настройка порога классификации: разделение предсказания и решения, выбор порога по последствиям ошибок.
  • SpamAssassin: required_score: реальный пример решения по порогу баллов; наша учебная длина не имитирует баллы этого фильтра.