Spam filter - krok 5

Od třídy Corpus odvoďte třídu TrainingCorpus, která bude obalovat korpus se známým ohodnocením emailů, tedy korpus, který je možno použít k učení filtru.

Třída TrainingCorpus není nijak povinná a její implementace není pevně dána. Implementujte jen ty metody, které se vám budou hodit. Dodávané testy kontrolují všechny níže uvedené metody - rozhodnete-li se nějaké z nich neimplementovat, smažte (nebo zakomentujte) příslušné testy ve třídě TrainingCorpusTest.

• Rozmyslete si, co by měla třída vašeho trénovacího korpusu (TrainingCorpus) umět, aby vám usnadnila učení filtru. T.j. co musí umět navíc vzhledem k třídě Corpus.

Úkol:

• V modulu trainingcorpus.py vytvořte třídu TrainingCorpus.

K čemu nám to bude?

• Třída TrainingCorpus bude umožňovat jednodušší tvorbu učicích se filtrů, pokud se nakonec rozhodneme učení implementovat. Bude obalovat adresář s emaily včetně jejich správné klasifikace ze souboru !truth.txt.

Specifikace tohoto úkolu není pevná, záleží na vás, jaké metody se vám budou hodit. Následující berte jako inspiraci. (Unit testy ale tyto metody testují.)

• Třídu vybavte metodou get_class(), jejímž vstupem bude název souboru s emailem a výstupem buď kód OK nebo SPAM.
• Třídu vybavte metodami is_ham() a is_spam(), jejichž vstupem bude opět název souboru s emailem a výstupem pravdivostní hodnoty True nebo False.
• Třídu vybavte metodami spams() a hams(), které budou generátory a budou fungovat podobně jako metoda emails() ve třídě Corpus, tj. budou postupně vracet jména souborů a těla všech spamů, resp. všech hamů jako řetězce.
• …

Záleží jen na vás, zda některé z metod implementujete nebo zda se rozhodnete pro jiný přístup.