> ## Content Index
> Fetch the complete content index at: https://arabroot.io/llms.txt
> Use this file to discover other available public pages before exploring further.

# كشف الرسائل المزعجة Spam بخوارزمية Naive Bayes
- URL: https://arabroot.io/articles/كشف-الرسائل-المزعجة-spam-بخوارزمية-naive-bayes/
- Published: 2026-11-02T07:15:25.000Z
- Updated: 2026-11-02T08:16:12.000Z
- Description: نكتب Naive Bayes من الصفر ونقارنه بـ scikit-learn على رسائل SMS وتغريدات عربية حقيقية، ونختار العتبة التي لا تضيع رسالة عميل، ونكشف كيف تخدعنا أرقام التقييم عندما تكون البيانات متحيزة.
- Author: فريق عرب رووت
- Tags: الأدلة التقنية, الذكاء الاصطناعي والبيانات

لنفرض أنك تعمل في شركة ناشئة تدير منصة سوق إلكتروني صغيرة، يتواصل فيها المشتري مع البائع برسائل داخل التطبيق: «هل المقاس متوفر؟»، «متى يصل الطلب؟»، «أرسل لي موقع المحل». وبعد أشهر من الإطلاق بدأت الرسائل الإعلانية تملأ صناديق البائعين: «للتواصل واتساب، متابعين حقيقيين بأسعار رخيصة»، و«عرض خاص خصم 50% عبر الرابط»، وروابط لمواقع لا علاقة لها بالمنصة. وفي اجتماع الأسبوع قال مسؤول الدعم إن البائعين بدؤوا يتجاهلون صناديقهم لكثرة الإزعاج، وإن بعضهم فاته طلب حقيقي لأنه دفن تحت عشرين إعلاناً. والمطلوب منك فلتر يحجز الرسائل المزعجة Spam قبل أن تصل للبائع، بشرط واحد وضعه المدير بوضوح: لا أريد أن تضيع رسالة عميل حقيقي، لأن الرسالة التي تضيع قد تكون طلب شراء.

وهذا الشرط هو قلب المقال كله. فكتابة فلتر يلتقط أغلب الإعلانات سهلة، ولكن الفلتر الذي يحجز رسالة «أرسل لي موقع المحل» لأنها تشبه الإعلان أسوأ من عدم وجود فلتر، لأن البائع سوف يفقد الثقة فيه ويطلب إيقافه. وفي هذا المقال سوف نبني الفلتر بأقدم خوارزمية نجحت في هذه المشكلة وما زالت تعمل داخل أنظمة البريد حتى اليوم، وهي Naive Bayes، فنكتبها أولاً من الصفر في أقل من خمسين سطراً من Python دون أي مكتبة، حتى ترى كل رقم تحسبه، ثم نقارنها بنسخة scikit-learn، ثم نجربها على مجموعة رسائل SMS حقيقية بالإنجليزية وعلى تغريدات عربية مزعجة وسليمة، ونقيس الضبط والاستدعاء ونحسب ثمن كل رسالة حقيقية تضيع. وكل مخرج في المقال هو مخرج حقيقي من تشغيل الكود الموجود في مجلد `lab` داخل Container من نوع `python:3.13-slim`.

وسوف نناقش في هذا المقال ما يلي:

- لماذا تصلح الاحتمالات لفلترة الإزعاج، ومن أين جاءت الفكرة.
- قاعدة بايز Bayes Rule بالأرقام على رسالة واحدة، ولماذا نجمع اللوغاريتمات بدل ضرب الاحتمالات.
- مشكلة الصفر والتنعيم Laplace Smoothing.
- تدريب النموذج من الصفر على مجموعة UCI للرسائل القصيرة، ولماذا الدقة Accuracy وحدها تخدعك.
- نفس النموذج في scikit-learn، والكلمات التي تعلمها، والعتبة Threshold وثمن الإيجابي الخاطئ False Positive.
- الرسائل العربية: التطبيع، ومجموعة تغريدات عربية، والخطأ الحقيقي الذي كشفته رسائل كتبناها بأنفسنا.
- تجارب «ماذا يحدث إذا» على التنعيم ومصدر البيانات، ثم تصميم الفلتر في المنصة وقائمة تحقق قبل التشغيل.

## لماذا الاحتمالات؟ Why Probability for Spam

أول فكرة تخطر لأي مطور عندما يرى الإعلانات هي قائمة كلمات ممنوعة: إذا احتوت الرسالة «خصم» أو «واتساب» أو «متابعين» فاحجزها. وهذه الطريقة تعمل في اليوم الأول فقط. ففي اليوم الثاني تكتشف أن «خصم» تأتي في رسالة عميل يسأل «هل يوجد خصم على الكمية؟»، فتحذفها من القائمة. وفي اليوم الثالث يكتب المعلن «و ا ت س ا ب» أو «وتساب» بحرف ناقص، فتضيف أشكالاً جديدة، وتتحول القائمة إلى مجموعة تعبيرات نمطية Regex كالتي شرحناها في [مقال Regex للمبتدئين](https://arabroot.io/articles/%D8%A7%D9%84%D8%AA%D8%B9%D8%A8%D9%8A%D8%B1%D8%A7%D8%AA-%D8%A7%D9%84%D9%86%D9%85%D8%B7%D9%8A%D8%A9-regex-%D9%84%D9%84%D9%85%D8%A8%D8%AA%D8%AF%D8%A6%D9%8A%D9%86/)، تكبر كل أسبوع ولا يعرف أحد لماذا أضيف كل سطر فيها. والمشكلة الأساسية أن القائمة تعطي كل كلمة قراراً نهائياً، نعم أو لا، بينما الكلمة في الواقع دليل، بعضه قوي وبعضه ضعيف، والقرار يجب أن يأتي من جمع الأدلة كلها.

وهذه بالضبط فكرة مقال Paul Graham الشهير [A Plan for Spam](https://www.paulgraham.com/spam.html?ref=arabroot.io) في أغسطس 2002، الذي جعل الفلترة الإحصائية مشهورة بين المبرمجين. فبدل أن تكتب القواعد بيدك، تعطي البرنامج مجموعة رسائل مزعجة ومجموعة رسائل سليمة، فيحسب لكل كلمة كم مرة ظهرت في كل مجموعة، ثم يقدر احتمال أن تكون الرسالة الجديدة مزعجة بناءً على كلماتها كلها. وذكر Graham في نفس المقال أن فلتره أصبح يفوت أقل من 5 رسائل مزعجة من كل 1000، دون أي إيجابي خاطئ في بريده. وبعد ذلك دخلت الفكرة في أدوات البريد المفتوحة المصدر، مثل وحدة [Bayes في SpamAssassin](https://spamassassin.apache.org/full/4.0.x/doc/Mail%5FSpamAssassin%5FPlugin%5FBayes.html?ref=arabroot.io) ووحدة [الإحصاء في Rspamd](https://rspamd.com/doc/configuration/statistic.html?ref=arabroot.io)، وهي أدوات تجدها داخل بوابات البريد التي شرحناها في [مقارنة بوابات أمن البريد](https://arabroot.io/articles/%D9%85%D9%82%D8%A7%D8%B1%D9%86%D8%A9-%D8%A8%D9%88%D8%A7%D8%A8%D8%A7%D8%AA-%D8%A7%D9%85%D9%86-%D8%A7%D9%84%D8%A8%D8%B1%D9%8A%D8%AF-%D9%85%D9%81%D8%AA%D9%88%D8%AD%D8%A9-%D8%A7%D9%84%D9%85%D8%B5%D8%AF%D8%B1/).

وميزة هذه الطريقة لمنصتنا ثلاثة أشياء: أنها تتعلم من الرسائل التي يحددها البائعون أنفسهم، فإذا غير المعلنون كلماتهم تتغير الأوزان مع إعادة التدريب. وأنها سريعة جداً في التدريب والتشغيل، فسوف نرى أن التدريب على أكثر من أربعة آلاف رسالة يأخذ قرابة 0.10 ثانية. وأنها تعطيك احتمالاً وليس نعم أو لا، والاحتمال هو ما يسمح لك أن تقرر أين تضع الحد بين «احجز» و«أرسل للمراجعة» و«أوصل للبائع»، وهذا ما سوف يحل شرط المدير.

## قاعدة بايز Bayes Rule بالأرقام

قاعدة بايز تجيب على سؤال واحد: إذا رأيت دليلاً، فكيف يتغير تقديري لاحتمال فرضية ما؟ وفي حالتنا الفرضية «الرسالة مزعجة»، والدليل كلمات الرسالة. وتكتب القاعدة كما يلي:

```text
P(spam | words) = P(words | spam) × P(spam) / P(words)
```

والجزء `P(spam)` هو الاحتمال المسبق Prior، أي نسبة الرسائل المزعجة قبل أن نقرأ الرسالة. والجزء `P(words | spam)` هو الأرجحية Likelihood، أي إذا كانت الرسالة مزعجة فما احتمال أن تحتوي هذه الكلمات. والنتيجة `P(spam | words)` هي الاحتمال اللاحق Posterior، أي تقديرنا بعد أن قرأنا الرسالة. والمقام `P(words)` واحد للفرضيتين، فلا نحتاج حسابه، وإنما نحسب البسط للفئتين ثم نقسم كلاً منهما على مجموعهما. وإذا أردت مراجعة الاحتمال الشرطي Conditional Probability من البداية فقد شرحناه بأمثلة من عمل المبرمج في [الاحتمالات للمبرمجين](https://arabroot.io/articles/%D8%A7%D9%84%D8%A7%D8%AD%D8%AA%D9%85%D8%A7%D9%84%D8%A7%D8%AA-%D9%84%D9%84%D9%85%D8%A8%D8%B1%D9%85%D8%AC%D9%8A%D9%86-%D8%AA%D8%B5%D8%A7%D8%AF%D9%85-%D8%A7%D9%84%D9%85%D8%B9%D8%B1%D9%81%D8%A7%D8%AA-%D9%88%D8%A7%D9%84%D9%87%D8%A7%D8%B4-%D9%88%D8%AA%D9%88%D9%81%D8%B1-%D8%A7%D9%84%D8%A7%D9%86%D8%B8%D9%85%D8%A9/).

والصعوبة في `P(words | spam)`: كيف نحسب احتمال جملة كاملة؟ فالجملة «free prize meeting now» قد لا تكون ظهرت حرفياً في أي رسالة تدريب. وهنا يأتي الافتراض الذي أعطى الخوارزمية اسمها: نفترض أن كل كلمة مستقلة عن الأخرى بشرط معرفة الفئة، فيصبح احتمال الجملة حاصل ضرب احتمالات كلماتها. وكلمة Naive في الاسم تعني هذا الافتراض المبسط، لأنه خطأ بكل وضوح، فكلمة «prize» تأتي غالباً مع «claim» و«won»، والكلمات في اللغة ليست مستقلة. ومع ذلك تعمل الخوارزمية جيداً في التصنيف، والسبب أننا لا نحتاج أن يكون الاحتمال دقيقاً، وإنما نحتاج أن تكون الفئة الصحيحة أعلى من الأخرى، والخطأ في الافتراض يضخم الفئتين في نفس الاتجاه غالباً.

### مثال يدوي Worked Example على ست رسائل

قبل البيانات الحقيقية لنحسب مثالاً صغيراً نرى فيه كل رقم. وهذا هو كود النموذج كاملاً، ونستخدمه في كل خطوات التجربة، وهو من المكتبة القياسية فقط:

```python
# Multinomial Naive Bayes from scratch: standard library only (collections, math, re)
import math
import re
from collections import Counter

def tokens(text):
    """lower-case words and numbers; the same rule for English and Arabic letters"""
    return re.findall(r"[a-z0-9ء-ي]+", text.lower())

class NaiveBayes:
    def __init__(self, alpha=1.0):
        self.alpha = alpha                       # Laplace / additive smoothing

    def fit(self, texts, labels):
        self.classes = sorted(set(labels))
        self.docs = Counter(labels)              # how many messages in each class
        self.words = {c: Counter() for c in self.classes}
        for t, c in zip(texts, labels):
            self.words[c].update(tokens(t))
        self.vocab = set().union(*self.words.values())
        self.total = {c: sum(self.words[c].values()) for c in self.classes}
        return self

    def word_logp(self, w, c):
        # P(word | class) = (count + alpha) / (all words in class + alpha * vocabulary size)
        num = self.words[c][w] + self.alpha
        den = self.total[c] + self.alpha * len(self.vocab)
        return math.log(num / den) if num > 0 else float("-inf")

    def scores(self, text):
        n = sum(self.docs.values())
        out = {}
        for c in self.classes:
            s = math.log(self.docs[c] / n)       # prior P(class)
            for w in tokens(text):
                if w in self.vocab:              # words never seen in training carry no evidence
                    s += self.word_logp(w, c)
            out[c] = s
        return out

    def spam_probability(self, text):
        s = self.scores(text)
        m = max(s.values())
        if m == float("-inf"):
            return float("nan")
        e = {c: math.exp(v - m) for c, v in s.items()}   # back from logs without underflow
        return e["spam"] / sum(e.values())

    def predict(self, text, threshold=0.5):
        return "spam" if self.spam_probability(text) >= threshold else "ham"
```

في الكود أعلاه لاحظ التالي:

- الدالة `fit` لا تفعل شيئاً غير العد: كم رسالة في كل فئة `docs`، وكم مرة ظهرت كل كلمة في كل فئة `words`، ومجموع الكلمات في كل فئة `total`، والمفردات Vocabulary كلها. وهذا كل «التعلم» في Naive Bayes، ولهذا التدريب سريع جداً.
- الدالة `word_logp` تحسب احتمال الكلمة في الفئة: عدد مرات ظهورها في الفئة مقسوماً على مجموع كلمات الفئة، مع إضافة `alpha` التي سوف نشرحها بعد قليل.
- الدالة `scores` تجمع اللوغاريتمات بدل أن تضرب الاحتمالات، وسبب ذلك في القسم التالي.
- الكلمة التي لم تظهر في التدريب أصلاً نتجاهلها، لأنها لا تقول شيئاً عن أي فئة.
- الدالة `spam_probability` ترجع من اللوغاريتمات إلى احتمال بين 0 و1، بعد أن تطرح أكبر قيمة من الكل حتى لا يصبح `exp` صفراً.

والآن ست رسائل تدريب، ثلاث مزعجة وثلاث سليمة، ورسالة جديدة نريد تصنيفها، مرة مع التنعيم ومرة بدونه:

```python
# Step 1: six short messages, the whole calculation printed by hand
from nb import NaiveBayes, tokens

train = [("win a free prize now", "spam"), ("free entry win cash", "spam"),
         ("call now to claim your prize", "spam"), ("are we meeting now", "ham"),
         ("call me when you are free", "ham"), ("see you at the meeting", "ham")]
texts, labels = zip(*train)
for alpha in (1.0, 0.0):
    nb = NaiveBayes(alpha=alpha).fit(texts, labels)
    print(f"--- alpha={alpha}  vocabulary={len(nb.vocab)}  words: spam={nb.total['spam']} ham={nb.total['ham']}")
    msg = "free prize meeting now"
    for c in nb.classes:
        parts = [f"P({c})={nb.docs[c]}/6"]
        for w in tokens(msg):
            parts.append(f"P({w}|{c})=({nb.words[c][w]}+{alpha:g})/({nb.total[c]}+{alpha:g}*{len(nb.vocab)})")
        print(c, " * ".join(parts))
    print("log scores:", {c: round(v, 3) for c, v in nb.scores(msg).items()})
    print("P(spam | message) =", round(nb.spam_probability(msg), 3))
```

والمخرج سوف يكون كما يلي:

```text
--- alpha=1.0  vocabulary=20  words: spam=15 ham=15
ham P(ham)=3/6 * P(free|ham)=(1+1)/(15+1*20) * P(prize|ham)=(0+1)/(15+1*20) * P(meeting|ham)=(2+1)/(15+1*20) * P(now|ham)=(1+1)/(15+1*20)
spam P(spam)=3/6 * P(free|spam)=(2+1)/(15+1*20) * P(prize|spam)=(2+1)/(15+1*20) * P(meeting|spam)=(0+1)/(15+1*20) * P(now|spam)=(2+1)/(15+1*20)
log scores: {'ham': -12.43, 'spam': -11.619}
P(spam | message) = 0.692
--- alpha=0.0  vocabulary=20  words: spam=15 ham=15
ham P(ham)=3/6 * P(free|ham)=(1+0)/(15+0*20) * P(prize|ham)=(0+0)/(15+0*20) * P(meeting|ham)=(2+0)/(15+0*20) * P(now|ham)=(1+0)/(15+0*20)
spam P(spam)=3/6 * P(free|spam)=(2+0)/(15+0*20) * P(prize|spam)=(2+0)/(15+0*20) * P(meeting|spam)=(0+0)/(15+0*20) * P(now|spam)=(2+0)/(15+0*20)
log scores: {'ham': -inf, 'spam': -inf}
P(spam | message) = nan
```

لنقرأ الجزء الأول، مع `alpha=1`: المفردات 20 كلمة مختلفة، وفي كل فئة 15 كلمة. والاحتمال المسبق لكل فئة 3 من 6\. وكلمة `free` ظهرت مرتين في المزعج ومرة في السليم، فاحتمالها في المزعج 3 من 35 وفي السليم 2 من 35\. وكلمة `meeting` ظهرت مرتين في السليم ولم تظهر في المزعج، فهي دليل على السلامة. ومجموع اللوغاريتمات للمزعج -11.619 وللسليم -12.430، والمزعج أعلى، أي أقل سالبية. وبعد التطبيع خرج الاحتمال 0.692، فالنموذج يرى الرسالة مزعجة، لأن ثلاث كلمات من أربع تميل للإزعاج، ولكن بثقة متوسطة بسبب `meeting`.

![جدولان متقابلان لفرضية الرسالة المزعجة والرسالة السليمة، في كل منهما الاحتمال المسبق 3/6 واحتمال كل كلمة من الكلمات الأربع ومجموع اللوغاريتمات -11.619 و-12.430، وتحتهما الاحتمال اللاحق 0.692 مزعجة](https://arabroot.io/content/images/2026/11/spam-naive-bayes-01-bayes.webp)

الحساب كاملاً للرسالة ⁦"free prize meeting now"⁩: كل كلمة تضيف دليلاً، والقرار من مجموع الأدلة وليس من كلمة واحدة.

### لماذا اللوغاريتمات؟ Log Probabilities

في المثال أعلاه ضربنا خمسة أرقام كلها أقل من 1، والنتيجة رقم صغير مثل 0.000009\. ولكن رسالة حقيقية فيها ثلاثون كلمة تعني ضرب ثلاثين رقماً، كل منها في حدود 0.001 أو أقل، والنتيجة قد تصل إلى 10 أس سالب 90، وفي رسالة طويلة إلى ما هو أصغر من أصغر رقم يستطيع النوع `float` تمثيله، فيصبح صفراً في الفئتين، وهذا اسمه التلاشي Underflow، وشرحنا حدود الأرقام العشرية في [مقال Floating Point من الداخل](https://arabroot.io/articles/%D8%A7%D9%84%D8%A3%D8%B1%D9%82%D8%A7%D9%85-%D8%A7%D9%84%D8%B9%D8%B4%D8%B1%D9%8A%D8%A9-floating-point-%D9%85%D9%86-%D8%A7%D9%84%D8%AF%D8%A7%D8%AE%D9%84/). والحل أن نأخذ اللوغاريتم، لأن لوغاريتم حاصل الضرب يساوي مجموع اللوغاريتمات، والمجموع لا يتلاشى، فرسالة من مئة كلمة تعطي رقماً مثل -800، وهو رقم عادي تماماً. والترتيب لا يتغير، لأن اللوغاريتم دالة متزايدة، فالفئة صاحبة أكبر حاصل ضرب هي نفسها صاحبة أكبر مجموع لوغاريتمات.

### مشكلة الصفر والتنعيم Laplace Smoothing

الآن انظر إلى الجزء الثاني من المخرج، مع `alpha=0`، أي بالعد الخام. كلمة `prize` لم تظهر في أي رسالة سليمة، فاحتمالها في السليم صفر. وكلمة `meeting` لم تظهر في أي رسالة مزعجة، فاحتمالها في المزعج صفر. وصفر في حاصل ضرب يجعل الكل صفراً، ولوغاريتم الصفر سالب لا نهاية `-inf`، فخرجت الفئتان `-inf`، والاحتمال `nan`، أي أن النموذج لا يستطيع أن يقرر أصلاً. والمشكلة أعمق من هذه الرسالة: بدون تنعيم، أي رسالة فيها كلمة واحدة ظهرت في فئة واحدة فقط سوف تحسم لتلك الفئة مهما كانت بقية الكلمات، فيكفي أن يضع المعلن كلمة نادرة ظهرت مرة في رسالة سليمة حتى يلغي كل أدلة الإزعاج.

والحل الذي استخدمناه هو تنعيم لابلاس Laplace Smoothing، أو التنعيم بالإضافة Additive Smoothing: نضيف 1 إلى عدد كل كلمة في كل فئة، كأننا رأينا كل كلمة مرة إضافية في كل فئة، ونضيف حجم المفردات إلى المقام حتى يبقى مجموع الاحتمالات 1\. فتصبح الكلمة غير المرئية في الفئة احتمالاً صغيراً وليس صفراً، فتضعف الفئة ولا تلغيها. والرقم المضاف هو `alpha`، و1 هو القيمة الافتراضية في scikit-learn، وسوف نرى في قسم «ماذا يحدث إذا» أن تغييره يحرك التوازن بين نوعي الخطأ.

![مقارنة بين alpha=0 حيث احتمال prize في السليم صفر واحتمال meeting في المزعج صفر فيصبح اللوغاريتم -inf في الفئتين والنتيجة nan، وalpha=1 حيث يصبح كل منهما 1/35 والنتيجة 0.692](https://arabroot.io/content/images/2026/11/spam-naive-bayes-02-smoothing.webp)

بلا تنعيم تلغي كلمة واحدة غير مرئية كل الأدلة، ومع إضافة 1 تضعف الفئة ولا تصفرها.

## التجربة على رسائل حقيقية: UCI SMS Spam Collection

ست رسائل تكفي للفهم ولا تكفي للحكم. ولأن منصتنا ما زالت في البداية وليس عندنا رسائل مصنفة بعد، نبدأ بمجموعة عامة معروفة هي [SMS Spam Collection](https://archive.ics.uci.edu/dataset/228/sms+spam+collection?ref=arabroot.io) المنشورة في مستودع UCI لتعلم الآلة برخصة CC BY 4.0\. وفيها 5,574 رسالة قصيرة بالإنجليزية، منها 747 مزعجة، وبحسب وصفها فالمزعج جمع من منتدى بريطاني يشتكي فيه الناس من الرسائل المزعجة، والسليم أغلبه من مجموعة رسائل جمعتها جامعة سنغافورة الوطنية من طلابها، ولذلك سوف ترى في السليم كلمات مثل `lor` و`da` من لهجة الإنجليزية في سنغافورة. وهذه المعلومة ليست تفصيلاً، لأنها تعني أن النموذج سوف يتعلم أيضاً الفرق بين لهجتين، وسوف نعود لهذه الفكرة بقوة في التغريدات العربية.

وقبل التدريب نقسم البيانات إلى تدريب Training واختبار Test، 80% و20%، والقسمة طبقية Stratified، أي أن نسبة المزعج في الاختبار نفس نسبته في التدريب، وبذرة عشوائية ثابتة 42 حتى يحصل كل من يعيد التجربة على نفس الأرقام. والقاعدة الأهم: النموذج لا يرى رسائل الاختبار أبداً أثناء التدريب، لأن الهدف أن نعرف أداءه على رسائل لم يرها، وهذا ما سوف يحدث في المنصة.

```python
# Step 2: the UCI SMS Spam Collection with our own Naive Bayes
import random, time
from nb import NaiveBayes

rows = [line.rstrip("\n").split("\t", 1) for line in open("data/sms/SMSSpamCollection", encoding="utf-8")]
print(len(rows), "messages:", sum(r[0] == "spam" for r in rows), "spam,", sum(r[0] == "ham" for r in rows), "ham")

# stratified 80/20 split with a fixed seed, so every run gives the same numbers
random.seed(42)
train, test = [], []
for label in ("ham", "spam"):
    group = [r for r in rows if r[0] == label]
    random.shuffle(group)
    cut = int(len(group) * 0.8)
    train += group[:cut]; test += group[cut:]
print("train", len(train), "test", len(test))

t = time.perf_counter()
nb = NaiveBayes(alpha=1.0).fit([r[1] for r in train], [r[0] for r in train])
print(f"trained in {time.perf_counter() - t:.2f} s, vocabulary {len(nb.vocab)} words")

def evaluate(predict):
    tp = fp = fn = tn = 0
    for label, text in test:
        p = predict(text)
        if p == "spam" and label == "spam": tp += 1
        elif p == "spam": fp += 1
        elif label == "spam": fn += 1
        else: tn += 1
    acc = (tp + tn) / len(test)
    prec = tp / (tp + fp) if tp + fp else float("nan")
    rec = tp / (tp + fn)
    print(f"  TP={tp} FP={fp} FN={fn} TN={tn}  accuracy={acc:.3f} precision={prec:.3f} recall={rec:.3f}")

print("always ham:"); evaluate(lambda text: "ham")
print("naive bayes:"); evaluate(nb.predict)

wrong = [(label, text, nb.spam_probability(text)) for label, text in test if nb.predict(text) != label]
for label, text, p in sorted(wrong, key=lambda x: x[0])[:8]:
    print(f"  {label:4} p(spam)={p:.3f}  {text[:90]}")
```

والمخرج سوف يكون كما يلي:

```text
5574 messages: 747 spam, 4827 ham
train 4458 test 1116
trained in 0.10 s, vocabulary 7824 words
always ham:
  TP=0 FP=0 FN=150 TN=966  accuracy=0.866 precision=nan recall=0.000
naive bayes:
  TP=137 FP=7 FN=13 TN=959  accuracy=0.982 precision=0.951 recall=0.913
  ham  p(spam)=0.632  Waiting for your call.
  ham  p(spam)=0.994  We have sent JD for Customer Service cum Accounts Executive to ur mail id, For details con
  ham  p(spam)=0.847  Total video converter free download type this in google search:)
  ham  p(spam)=0.851  Have you laid your airtel line to rest?
  ham  p(spam)=0.643  Mathews or tait or edwards or anderson
  ham  p(spam)=0.584  No pic. Please re-send.
  ham  p(spam)=0.797  26th OF JULY
  spam p(spam)=0.001  TBS/PERSOLVO. been chasing us since Sept for£38 definitely not paying now thanks to your i
```

في المخرج أعلاه لاحظ التالي:

- التدريب على 4,458 رسالة أخذ 0.10 ثانية، والمفردات 7,824 كلمة. وهذا بكود Python عادي دون NumPy، لأن التدريب عد فقط.
- السطر `always ham` نموذج لا يفعل شيئاً، يقول عن كل رسالة إنها سليمة. ودقته Accuracy 0.866، أي 86.6%، لأن 966 رسالة من 1,116 سليمة فعلاً. ولو قال لك أحدهم «فلترنا دقته 86%» فهذا الرقم وحده لا يعني شيئاً، لأن نموذجاً لا يلتقط رسالة مزعجة واحدة يحققه. ولذلك الدقة وحدها مقياس مضلل عندما تكون الفئتان غير متوازنتين.
- نموذجنا دقته 0.982، ولكن الأرقام المهمة هي الأربعة قبلها: 137 مزعجة التقطها، و13 مزعجة فاتته، و7 سليمة حجزها خطأ، و959 سليمة أوصلها.
- الأسطر الأخيرة رسائل أخطأ فيها النموذج. ومنها رسالة سليمة عن وظيفة «Customer Service cum Accounts Executive» أخذت 0.994، لأن كلمات الوظائف والتفاصيل والبريد تكثر في الإعلانات. ورسالة «Waiting for your call.» أخذت 0.632 لأن «call» من أقوى كلمات الإزعاج في هذه البيانات، فكل إعلان يقول «call now». وفي الاتجاه المعاكس رسالة مزعجة عن تحصيل دين أخذت 0.001، لأنها مكتوبة بأسلوب شخص يشتكي وليس بأسلوب إعلان.

### الضبط Precision والاستدعاء Recall

الأرقام الأربعة السابقة تسمى مصفوفة الالتباس Confusion Matrix، ومنها نحسب مقياسين يجيبان على سؤالين مختلفين. الضبط Precision يجيب: من كل الرسائل التي حجزناها، كم منها كان مزعجاً فعلاً؟ وهو 137 من 144، أي 0.951\. والاستدعاء Recall يجيب: من كل الرسائل المزعجة الحقيقية، كم التقطنا؟ وهو 137 من 150، أي 0.913\. والمقياسان يتحركان عكس بعضهما غالباً، فإذا شددت الفلتر ارتفع الاستدعاء وانخفض الضبط، وإذا خففته حدث العكس.

![مصفوفة الالتباس لنموذج Naive Bayes على 1,116 رسالة: 137 إيجابي صحيح، 13 سلبي خاطئ، 7 إيجابي خاطئ، 959 سلبي صحيح، وبجانبها حساب الضبط 0.951 والاستدعاء 0.913 ونموذج كل شيء سليم بدقة 0.866 واستدعاء صفر](https://arabroot.io/content/images/2026/11/spam-naive-bayes-03-confusion.webp)

الخلايا الحمراء هي ثمن الفلتر: 13 إعلاناً وصل للعميل، و7 رسائل حقيقية ضاعت.

والسؤال الذي يجب أن تسأله قبل أي مقياس: أي الخطأين أغلى في منصتنا؟ فالسلبي الخاطئ False Negative إعلان وصل للبائع، وثمنه ثوان من وقته وضيق بسيط. أما الإيجابي الخاطئ False Positive فرسالة عميل حجزت، وقد تكون «أريد عشر قطع، هل تشحنون اليوم؟»، وثمنها طلب ضائع وعميل يظن أن البائع تجاهله. فالخطأ الثاني أغلى بكثير، وهذا ما قصده المدير. وهذا يعني أننا نهتم بالضبط أكثر من الاستدعاء، وأن 7 رسائل حقيقية من 966 كثير، فلو كانت المنصة تستقبل عشرة آلاف رسالة سليمة في اليوم فهذه النسبة تعني قرابة 72 رسالة حقيقية محجوزة كل يوم.

## نفس النموذج في scikit-learn

كتابة النموذج بيدك مفيدة للفهم، ولكنك في العمل تستخدم مكتبة مختبرة. ونسخة [Naive Bayes في scikit-learn](https://scikit-learn.org/stable/modules/naive%5Fbayes.html?ref=arabroot.io) فيها عدة أنواع، والنوع المناسب لعد الكلمات هو [MultinomialNB](https://scikit-learn.org/stable/modules/generated/sklearn.naive%5Fbayes.MultinomialNB.html?ref=arabroot.io). والعد نفسه يتم بالكلاس [CountVectorizer](https://scikit-learn.org/stable/modules/generated/sklearn.feature%5Fextraction.text.CountVectorizer.html?ref=arabroot.io)، الذي يحول كل رسالة إلى صف في مصفوفة، وكل كلمة في المفردات إلى عمود، وكل خلية إلى عدد مرات ظهور الكلمة في الرسالة. وهذا التمثيل يسمى حقيبة الكلمات Bag of Words، لأنه يحتفظ بعدد الكلمات وينسى ترتيبها. وفي الخطوة التالية نتحقق أولاً أن المكتبة تعطي نفس قرارات كودنا، ثم نستخدمها لما هو أصعب في الكود اليدوي:

```python
# Step 3: the same model with scikit-learn, then thresholds, then a second model for comparison
import numpy as np
import sklearn
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import confusion_matrix, classification_report, precision_recall_curve
from nb import NaiveBayes
from split import sms_split

print("scikit-learn", sklearn.__version__)
train, test = sms_split()
Xtr_text, ytr = [r[1] for r in train], np.array([r[0] == "spam" for r in train])
Xte_text, yte = [r[1] for r in test], np.array([r[0] == "spam" for r in test])

vec = CountVectorizer(token_pattern=r"[a-z0-9ء-ي]+")   # the same tokens as nb.py (lowercase is the default)
Xtr, Xte = vec.fit_transform(Xtr_text), vec.transform(Xte_text)
print("matrix:", Xtr.shape, "non-zero cells:", Xtr.nnz, f"({Xtr.nnz / (Xtr.shape[0] * Xtr.shape[1]):.4%})")

clf = MultinomialNB(alpha=1.0).fit(Xtr, ytr)
p = clf.predict_proba(Xte)[:, 1]
ours = NaiveBayes(alpha=1.0).fit(Xtr_text, ["spam" if y else "ham" for y in ytr])
p_ours = np.array([ours.spam_probability(t) for t in Xte_text])
print("same decision as our code:", int(((p >= .5) == (p_ours >= .5)).sum()), "of", len(p),
      "| largest probability difference:", f"{np.abs(p - p_ours).max():.2e}")
print(confusion_matrix(yte, p >= .5))
print(classification_report(yte, p >= .5, target_names=["ham", "spam"], digits=3))

# the words that push hardest toward spam: log P(w|spam) - log P(w|ham)
ratio = clf.feature_log_prob_[1] - clf.feature_log_prob_[0]
words = vec.get_feature_names_out()
print("top spam words:", ", ".join(words[np.argsort(ratio)[-15:][::-1]]))
print("top ham words: ", ", ".join(words[np.argsort(ratio)[:15]]))

# moving the threshold: every false positive is a real message a customer never sees
print("threshold  FP  FN  precision  recall")
for th in (0.5, 0.9, 0.99, 0.999):
    pred = p >= th
    fp, fn = int((pred & ~yte).sum()), int((~pred & yte).sum())
    tp = int((pred & yte).sum())
    print(f"{th:9}  {fp:2}  {fn:3}  {tp / (tp + fp):9.3f}  {tp / (tp + fn):6.3f}")
prec, rec, th = precision_recall_curve(yte, p)
first = np.argmax(prec[:-1] >= 1.0)
print(f"lowest threshold with zero false positives: {th[first]:.4f}, recall there {rec[first]:.3f}")

lr = LogisticRegression(max_iter=2000).fit(Xtr, ytr)
pl = lr.predict(Xte)
print("logistic regression confusion:", confusion_matrix(yte, pl).tolist())
```

والمخرج سوف يكون كما يلي:

```text
scikit-learn 1.9.1
matrix: (4458, 7824) non-zero cells: 65556 (0.1880%)
same decision as our code: 1116 of 1116 | largest probability difference: 1.40e-14
[[959   7]
 [ 13 137]]
              precision    recall  f1-score   support

         ham      0.987     0.993     0.990       966
        spam      0.951     0.913     0.932       150

    accuracy                          0.982      1116
   macro avg      0.969     0.953     0.961      1116
weighted avg      0.982     0.982     0.982      1116

top spam words: claim, prize, 150p, tone, guaranteed, 18, cs, 500, awarded, 1000, 150ppm, ringtone, 100, uk, www
top ham words:  gt, lt, he, she, da, lor, later, said, doing, ask, lol, amp, morning, cos, come
threshold  FP  FN  precision  recall
      0.5   7   13      0.951   0.913
      0.9   1   17      0.993   0.887
     0.99   1   22      0.992   0.853
    0.999   0   23      1.000   0.847
lowest threshold with zero false positives: 0.9992, recall there 0.847
logistic regression confusion: [[964, 2], [19, 131]]
```

في المخرج أعلاه لاحظ التالي:

- المصفوفة 4,458 صفاً في 7,824 عموداً، أي قرابة 35 مليون خلية، ولكن الخلايا غير الصفرية 65,556 فقط، أي 0.188%. فكل رسالة فيها بضع عشرات من الكلمات من أصل قرابة ثمانية آلاف. ولذلك تخزن المكتبة المصفوفة بصيغة متفرقة Sparse تحفظ الخلايا غير الصفرية فقط، ولو خزنتها كاملة لأخذت مئات الميجابايت لبيانات حجمها نصف ميجابايت.
- القرار نفسه في 1,116 رسالة من 1,116، وأكبر فرق في الاحتمال بين كودنا والمكتبة 1.4 في 10 أس سالب 14، وهو فرق التقريب في الأرقام العشرية فقط. أي أن كودنا الصغير هو نفس الخوارزمية بالضبط. ولكي يحدث هذا التطابق كان يجب أن نعطي `CountVectorizer` نفس قاعدة التقطيع التي في `nb.py`، فالقاعدة الافتراضية في المكتبة تتجاهل الكلمات من حرف واحد، وكانت ستعطي مفردات مختلفة ونتائج مختلفة قليلاً.
- تقرير `classification_report` يعطي الضبط والاستدعاء ومقياس F1 لكل فئة. وF1 هو المتوسط التوافقي للضبط والاستدعاء، ويفيد عندما تريد رقماً واحداً، ولكنه يعطي الخطأين نفس الوزن، وهذا ليس ما نريده في منصتنا.
- أقوى كلمات الإزعاج: `claim` و`prize` و`150p` و`guaranteed` و`awarded` و`ringtone`، وهي لغة المسابقات ونغمات الهاتف في بريطانيا قبل خمسة عشر عاماً. وأقوى كلمات السلامة `gt` و`lt` في أول القائمة، وهذا غريب حتى تعرف السبب: في نصوص هذه المجموعة رموز HTML مثل `&lt;` و`&gt;` بقيت من طريقة جمع الرسائل السليمة، فتعلم النموذج أن وجودها علامة سلامة. وهذا خطأ في البيانات تعلمه النموذج بأمانة، ولن يفيده في أي رسالة حقيقية.

### العتبة Threshold وثمن الإيجابي الخاطئ False Positive

القرار «مزعجة إذا كان الاحتمال 0.5 أو أكثر» ليس قانوناً، وإنما اختيار افتراضي. والجدول في المخرج يبين ماذا يحدث إذا رفعنا العتبة: مع 0.9 انخفضت الرسائل الحقيقية المحجوزة من 7 إلى 1، وارتفع الإزعاج الذي يمر من 13 إلى 17\. ومع 0.999 أصبحت الرسائل الحقيقية المحجوزة صفراً، والإزعاج الذي يمر 23 من 150، أي أن الفلتر ما زال يلتقط قرابة 85% من الإزعاج. والدالة [precision\_recall\_curve](https://scikit-learn.org/stable/modules/generated/sklearn.metrics.precision%5Frecall%5Fcurve.html?ref=arabroot.io) تحسب الضبط والاستدعاء عند كل عتبة ممكنة، ومنها وجدنا أن أقل عتبة بلا أي إيجابي خاطئ في هذا الاختبار 0.9992.

ولاحظ هنا ملاحظة مهمة عن احتمالات Naive Bayes: الأرقام قريبة جداً من 0 أو 1 في أغلب الرسائل، لأن افتراض الاستقلال يعد كل كلمة دليلاً مستقلاً، فرسالة فيها خمس كلمات إعلانية متقاربة المعنى تحسب خمسة أدلة بدل دليل واحد، فتتضخم الثقة. ولذلك لا تقرأ 0.999 على أنها «متأكد بنسبة 99.9%»، وإنما على أنها ترتيب: هذه الرسالة أكثر إزعاجاً من التي أخذت 0.99\. والعتبة تختارها من بيانات الاختبار، وليس من معنى الرقم.

![جدول العتبات 0.5 و0.9 و0.99 و0.999 مع عدد الرسائل الحقيقية المحجوزة والإزعاج الذي يمر والضبط والاستدعاء، وتحته ثلاث مناطق قرار: أقل من 0.5 صندوق الوارد، بين 0.5 و0.999 المراجعة، و0.999 فأكثر الحجز](https://arabroot.io/content/images/2026/11/spam-naive-bayes-04-threshold.webp)

عتبتان بدل عتبة واحدة: الحجز للواضح جداً فقط، والمنطقة الوسطى تذهب للمراجعة ولا تحذف.

وهذا ما يحل شرط المدير عملياً: لا نختار عتبة واحدة، وإنما عتبتين. فالرسالة التي احتمالها 0.999 أو أكثر تحجز في مجلد إزعاج، والتي بين 0.5 و0.999 تذهب إلى مجلد «للمراجعة» يراه البائع بنقرة، والباقي يصل مباشرة. وبهذا التصميم فإن الإيجابي الخاطئ في المنطقة الوسطى لا يضيع، وإنما يتأخر، والبائع يرى في صندوقه الرئيسي رسائل نظيفة. وفي آخر سطر من المخرج قارنا بنموذج آخر شائع للنصوص، الانحدار اللوجستي Logistic Regression، فأعطى 2 إيجابي خاطئ و19 سلبي خاطئ عند العتبة الافتراضية، أي ضبطاً أعلى واستدعاء أقل من Naive Bayes. والفرق بينهما في هذه البيانات صغير، وNaive Bayes يبقى أسرع وأسهل في الشرح، وهذا مهم عندما يسألك البائع «لماذا حجزت رسالتي؟».

## الرسائل العربية: Arabic Spam

منصتنا عربية، وأغلب الرسائل فيها بالعربية واللهجات، فالسؤال الحقيقي: هل تعمل نفس الطريقة على العربية؟ وأول ما نحتاجه بيانات عربية مصنفة. وبعد البحث وجدنا [مجموعة تغريدات عربية مزعجة وسليمة](https://data.mendeley.com/datasets/86x733xkb8/4?ref=arabroot.io) نشرها Sanaa Kaddoura وSafaa Henno على Mendeley Data برخصة CC BY 4.0، ووصفاها في [مقال منشور في Data in Brief](https://pmc.ncbi.nlm.nih.gov/articles/PMC10716781/?ref=arabroot.io). والملف الذي نزلناه فيه 13,240 تغريدة، 1,941 مزعجة و11,299 سليمة، جمعت بين يناير ومارس 2021\. وقبل أن نشغل أي كود قرأنا طريقة الجمع في المقال، وهذه أهم خطوة في القسم كله كما سوف ترى: السليم كله تغريدات من أربعة حسابات إخبارية، والمزعج جمع بالبحث عن كلمات ووسوم إعلانية ثم من حسابات تنشر الإزعاج، ثم راجعه الباحثان يدوياً.

### التطبيع العربي Arabic Normalization

قبل العد يجب أن نوحد الأشكال المختلفة للكلمة الواحدة، وإلا عد النموذج «أسعار» و«اسعار» كلمتين، وخسر نصف الدليل. وكما شرحنا في [مقال NLP للعربية](https://arabroot.io/articles/%D9%85%D8%B9%D8%A7%D9%84%D8%AC%D8%A9-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D8%A7%D9%84%D8%B7%D8%A8%D9%8A%D8%B9%D9%8A%D8%A9-nlp-%D9%84%D9%84%D8%B9%D8%B1%D8%A8%D9%8A%D8%A9/)، فالكتابة العربية في وسائل التواصل غير موحدة في الهمزات والتاء المربوطة والألف المقصورة، وفيها تطويل وتكرار حروف للتعبير. وهذا التطبيع الذي استخدمناه:

```python
# Light Arabic normalisation used before counting words
import re

DIACRITICS = re.compile(r"[ً-ْٰـ]")      # harakat, dagger alef, tatweel

def normalize(text):
    text = re.sub(r"https?://\S+", " url ", str(text))
    text = re.sub(r"@\w+", " user ", text)
    text = DIACRITICS.sub("", text)
    text = re.sub("[إأآا]", "ا", text)
    text = text.replace("ى", "ي").replace("ة", "ه")
    text = re.sub(r"(.)\1{2,}", r"\1\1", text)                  # «مبرووووك» -> «مبرووك»
    return text
```

في الكود أعلاه لاحظ التالي:

- الروابط تتحول إلى كلمة واحدة `url`، والإشارات إلى المستخدمين إلى `user`، لأن الرابط نفسه لا يتكرر، ولكن وجود رابط دليل قوي على الإعلان.
- التشكيل والتطويل يحذفان، والهمزات على الألف تصبح ألفاً، والألف المقصورة ياء، والتاء المربوطة هاء. وهذا يدمج أحياناً كلمتين مختلفتين، ولكن ما نكسبه من توحيد أشكال الكتابة أكبر بكثير في نصوص التواصل.
- الحرف المكرر ثلاث مرات أو أكثر يختصر إلى مرتين، فتصبح «مبرووووك» و«مبروووك» كلمة واحدة. ولم نختصرها إلى حرف واحد، لأن التكرار نفسه قد يكون دليلاً على الأسلوب.
- لم نحذف الكلمات الشائعة Stop Words مثل «في» و«على»، لأن Naive Bayes يعطيها وزناً قريباً في الفئتين فلا تؤثر كثيراً، ولأن بعضها يفرق فعلاً بين الأسلوب الإعلاني والأسلوب الشخصي.

ولاحظ أن قاعدة التقطيع في كل الخطوات `[a-z0-9ء-ي]+` تقبل الحروف العربية من الهمزة إلى الياء، وتحذف كل ما سواها، ومنه الإيموجي وعلامات الترقيم. وهذا قرار له ثمن، فالإيموجي قد يكون دليلاً قوياً على الإعلان، ومن يريد إضافته يحتاج قاعدة تقطيع تفهم Unicode بشكل أعمق، كما شرحنا في [مقال ترميز النصوص](https://arabroot.io/articles/%D8%AA%D8%B1%D9%85%D9%8A%D8%B2-%D8%A7%D9%84%D9%86%D8%B5%D9%88%D8%B5-ascii-%D9%88-unicode-%D9%88-utf-8-%D9%88%D8%A7%D9%84%D8%AD%D8%B1%D9%88%D9%81-%D8%A7%D9%84%D9%85%D8%B4%D9%88%D9%87%D8%A9/).

### النتائج على التغريدات العربية Results

```python
# Step 4: Arabic spam tweets (Kaddoura & Henno, Mendeley Data, CC BY 4.0)
import numpy as np
import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.model_selection import train_test_split
from sklearn.metrics import confusion_matrix
from arabic import normalize

df = pd.read_excel("data/arabic-spam-ham-tweets.xlsx", usecols=["Tweet Text", "User Name", "Label"])
print(df.shape, df["Label"].value_counts().to_dict())
print("accounts behind the ham tweets:", df[df["Label"] == "Ham"]["User Name"].value_counts().head(5).to_dict())
df["text"] = df["Tweet Text"].map(normalize)
df["y"] = df["Label"].eq("Spam")
dups = df.duplicated("text").sum()
print("exact duplicate tweets after normalisation:", dups,
      "| spam duplicates:", df[df["y"]].duplicated("text").sum())

def run(data, title):
    tr, te = train_test_split(data, test_size=0.2, stratify=data["y"], random_state=42)
    vec = CountVectorizer(token_pattern=r"[a-z0-9ء-ي]+")
    clf = MultinomialNB(alpha=1.0).fit(vec.fit_transform(tr["text"]), tr["y"])
    p = clf.predict_proba(vec.transform(te["text"]))[:, 1]
    tn, fp, fn, tp = confusion_matrix(te["y"], p >= .5).ravel()
    print(f"{title}: test={len(te)} TP={tp} FP={fp} FN={fn} TN={tn} precision={tp/(tp+fp):.3f} recall={tp/(tp+fn):.3f}")
    return vec, clf

run(df, "all rows       ")
vec, clf = run(df.drop_duplicates("text"), "no duplicates  ")

ratio = clf.feature_log_prob_[1] - clf.feature_log_prob_[0]
words = vec.get_feature_names_out()
# the spam side has explicit adult words; they are masked here, the count is still printed
ADULT = {"سكس", "ديوث", "محنه", "ممحونه", "سالب", "القذف", "موجب", "نيك", "شرموطه", "سحاق", "زب", "طيز", "كس"}
top = words[np.argsort(ratio)[-20:][::-1]]
print("top spam words:", " ".join("***" if w in ADULT else w for w in top), "| masked:", sum(w in ADULT for w in top))
print("top ham words: ", " ".join(words[np.argsort(ratio)[:20]]))

# messages we wrote ourselves: what the model has never seen
probes = ["الف مبروك التخرج يا بطل والله فرحتني",
          "تكفى ارسل لي موقع المطعم اللي رحناه امس",
          "عرض خاص خصم 50% على جميع المنتجات اطلب الان عبر الرابط",
          "للتواصل واتساب لدينا متابعين حقيقيين بأسعار رخيصة",
          "وزارة الصحة تعلن تسجيل حالات جديدة اليوم",
          "الحمد لله على كل حال صباحكم خير"]
for t in probes:
    p = clf.predict_proba(vec.transform([normalize(t)]))[0, 1]
    known = sum(w in vec.vocabulary_ for w in vec.build_analyzer()(normalize(t)))
    print(f"p(spam)={p:.3f}  known words {known}/{len(vec.build_analyzer()(normalize(t)))}  {t}")
```

والمخرج سوف يكون كما يلي:

```text
(13240, 3) {'Ham': 11299, 'Spam': 1941}
accounts behind the ham tweets: {'emaratalyoum': 3261, 'skynewsarabia': 3252, 'AlArabiya': 3034, 'AlHadath': 1752}
exact duplicate tweets after normalisation: 274 | spam duplicates: 10
all rows       : test=2648 TP=383 FP=3 FN=5 TN=2257 precision=0.992 recall=0.987
no duplicates  : test=2594 TP=378 FP=2 FN=8 TN=2206 precision=0.995 recall=0.979
top spam words: *** الحذف راحتي معصيتي ايلتس معتمده كتابي رحتي معصيتيي عمه ه ن *** توفل *** س وظائف *** *** *** | masked: 6
top ham words:  الاماراتاليوم سكاياخبار شاهدسكاي ايران الحدث رئيس بايدن النوي لقاح الخارجيه مراسل السياسي الاميركي واشنطن بشان الايراني كورونا طهران اربيل سكايرياضه
p(spam)=0.068  known words 6/7  الف مبروك التخرج يا بطل والله فرحتني
p(spam)=0.999  known words 6/8  تكفى ارسل لي موقع المطعم اللي رحناه امس
p(spam)=1.000  known words 10/11  عرض خاص خصم 50% على جميع المنتجات اطلب الان عبر الرابط
p(spam)=1.000  known words 5/7  للتواصل واتساب لدينا متابعين حقيقيين بأسعار رخيصة
p(spam)=0.000  known words 7/7  وزارة الصحة تعلن تسجيل حالات جديدة اليوم
p(spam)=0.686  known words 7/7  الحمد لله على كل حال صباحكم خير
```

في المخرج أعلاه لاحظ التالي:

- السطر الثاني يؤكد ما قرأناه في طريقة الجمع: كل التغريدات السليمة من أربعة حسابات، الإمارات اليوم 3,261 وسكاي نيوز عربية 3,252 والعربية 3,034 والحدث 1,752.
- بعد التطبيع هناك 274 تغريدة مكررة حرفياً. والتكرار خطر في التقييم، لأن التغريدة قد تقع نسخة منها في التدريب ونسخة في الاختبار، فيبدو أن النموذج نجح في تغريدة لم يرها وهو في الحقيقة رآها. ولذلك قيمنا مرتين، مع التكرار وبدونه، والفرق صغير هنا: الضبط 0.992 ثم 0.995، والاستدعاء 0.987 ثم 0.979\. ولكن في بيانات المنصة الحقيقية قد يرسل المعلن نفس الرسالة لألف بائع، فاحذف التكرار قبل التقسيم دائماً.
- النتائج تبدو ممتازة: إيجابيان خاطئان فقط من 2,594 تغريدة اختبار. ولو توقفنا هنا لكتبنا للمدير «الفلتر العربي جاهز».
- أقوى كلمات الإزعاج إعلانات شهادات وامتحانات ووظائف، مثل «ايلتس» و«توفل» و«معتمده» و«وظائف»، وكلمات مثل «الحذف» و«معصيتي» من وسوم جمع بها الباحثان الإزعاج، وست كلمات محتوى للبالغين أخفيناها من المخرج بنجوم. أما أقوى كلمات السلامة فهي أسماء الوسائل الإخبارية نفسها، «الاماراتاليوم» و«سكاياخبار» و«شاهدسكاي» و«الحدث»، ثم كلمات الأخبار السياسية في تلك الأشهر: «بايدن» و«ايران» و«لقاح» و«كورونا».

### المشكلة التي ظهرت فعلاً: النموذج تعلم «الأخبار» Dataset Bias

آخر جزء في المخرج هو الأهم. فقد كتبنا ست رسائل بأنفسنا، بالأسلوب الذي يكتب به المشتري والبائع في منصتنا، وسألنا النموذج عنها. ورسالة «تكفى ارسل لي موقع المطعم اللي رحناه امس» أخذت 0.999، أي أن النموذج متأكد أنها إزعاج، و«الحمد لله على كل حال صباحكم خير» أخذت 0.686، فهي أيضاً مزعجة عنده. بينما «وزارة الصحة تعلن تسجيل حالات جديدة اليوم» أخذت 0.000، أي سليمة تماماً. والسبب واضح بعد ما قرأناه عن طريقة الجمع: النموذج لم يتعلم الفرق بين «رسالة سليمة» و«رسالة مزعجة»، وإنما تعلم الفرق بين «خبر من وكالة أنباء» و«كل ما سوى ذلك». فالرسالة الشخصية العادية ليست خبراً، فهي عنده أقرب للإزعاج.

وهذا الخطأ هو الأخطر في المقال كله، لأن أرقام الاختبار لم تكشفه، فالاختبار من نفس المجموعة ونفس التحيز، والضبط 0.995 يقول إن الفلتر ممتاز. ولو شغلناه على منصتنا لحجز أغلب رسائل العملاء الحقيقية، وهي بالضبط الخطأ الذي طلب المدير ألا يحدث. وتوثيق SpamAssassin يحذر من هذا صراحة في [صفحة أداة التدريب sa-learn](https://spamassassin.apache.org/full/4.0.x/doc/sa-learn.html?ref=arabroot.io): درب من نفس المصدر، فإذا كان المزعج قديماً والسليم حديثاً فسوف يتعلم المصنف أن التاريخ القديم علامة إزعاج. والدرس العملي: لا تثق في رقم تقييم حتى تعرف من أين جاءت البيانات، وجرب النموذج دائماً على عينة من البيانات الحقيقية التي سوف يعمل عليها، ولو كانت خمسين رسالة صنفتها بيدك.

![مصدر البيانات: السليم 11,299 تغريدة من أربعة حسابات إخبارية والمزعج 1,941 من البحث عن كلمات إعلانية، وتحته جدول لأربع رسائل كتبناها بأنفسنا: رسالة موقع المطعم 0.999 مزعجة قبل الإضافة و0.064 بعد إضافة تغريدات ASTD، ورسالة الحمد لله 0.686 ثم 0.000، ورسالة العرض الإعلاني 1.000 في الحالتين](https://arabroot.io/content/images/2026/11/spam-naive-bayes-05-arabic-bias.webp)

أرقام الاختبار ممتازة، والرسالة الشخصية العادية تحجز. الإصلاح ليس في الخوارزمية، وإنما في البيانات.

## ماذا يحدث إذا؟ What If

جمعنا في الخطوة الأخيرة ثلاث تجارب تجيب على ثلاثة أسئلة: ماذا لو غيرنا التنعيم؟ وماذا لو حذفنا أسماء الوسائل الإخبارية التي اعتمد عليها النموذج؟ وماذا لو أضفنا إلى السليم نصوصاً من مصدر آخر غير الأخبار؟

```python
# Step 5: what if... (a) the smoothing changes, (b) we hide the news outlets' names, (c) ham comes from more than news
import numpy as np
import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.model_selection import train_test_split
from sklearn.metrics import confusion_matrix
from arabic import normalize
from split import sms_split

TOKENS = r"[a-z0-9ء-ي]+"

def score(tr_text, tr_y, te_text, te_y, alpha=1.0):
    vec = CountVectorizer(token_pattern=TOKENS)
    clf = MultinomialNB(alpha=alpha, force_alpha=True).fit(vec.fit_transform(tr_text), tr_y)
    tn, fp, fn, tp = confusion_matrix(te_y, clf.predict(vec.transform(te_text))).ravel()
    return vec, clf, (tp, fp, fn, tn)

print("(a) SMS, smoothing alpha")
train, test = sms_split()
for a in (1e-10, 0.01, 0.1, 1, 3, 10):
    _, _, (tp, fp, fn, tn) = score([r[1] for r in train], [r[0] == "spam" for r in train],
                                   [r[1] for r in test], [r[0] == "spam" for r in test], alpha=a)
    print(f"  alpha={a:<6g} FP={fp:2} FN={fn:3} precision={tp/(tp+fp):.3f} recall={tp/(tp+fn):.3f}")

df = pd.read_excel("data/arabic-spam-ham-tweets.xlsx", usecols=["Tweet Text", "Label"])
df["text"] = df["Tweet Text"].map(normalize)
df["y"] = df["Label"].eq("Spam")
df = df.drop_duplicates("text")
tr, te = train_test_split(df, test_size=0.2, stratify=df["y"], random_state=42)

print("(b) Arabic, the outlets' own names removed from every tweet")
OUTLETS = r"\b(?:العربيه|الحدث|سكاي ?اخبار|سكاياخبار|شاهدسكاي|سكايرياضه|الاماراتاليوم|الامارات اليوم|عاجل)\b"
strip = lambda s: s.str.replace(OUTLETS, " ", regex=True)
print("  tweets that contained an outlet name:", int(df["text"].str.contains(OUTLETS, regex=True).sum()))
_, _, (tp, fp, fn, tn) = score(strip(tr["text"]), tr["y"], strip(te["text"]), te["y"])
print(f"  FP={fp} FN={fn} precision={tp/(tp+fp):.3f} recall={tp/(tp+fn):.3f}")

print("(c) Arabic, 3,315 opinion tweets from ASTD (GPL-2.0) added to the ham side of training only")
astd = pd.read_csv("data/astd-tweets.txt", sep="\t", header=None, names=["t", "c"], quoting=3)
extra = astd[astd["c"] != "OBJ"]["t"].map(normalize)
probes = ["الف مبروك التخرج يا بطل والله فرحتني", "تكفى ارسل لي موقع المطعم اللي رحناه امس",
          "عرض خاص خصم 50% على جميع المنتجات اطلب الان عبر الرابط", "الحمد لله على كل حال صباحكم خير"]
for name, (xt, yt) in {"news ham only": (tr["text"], tr["y"]),
                       "news + ASTD ham": (pd.concat([tr["text"], extra]),
                                           pd.concat([tr["y"], pd.Series(False, index=extra.index)]))}.items():
    vec, clf, (tp, fp, fn, tn) = score(xt, yt, te["text"], te["y"])
    ps = clf.predict_proba(vec.transform([normalize(p) for p in probes]))[:, 1]
    print(f"  {name:15} test FP={fp} FN={fn} | probes: " + "  ".join(f"{p:.3f}" for p in ps))
```

والمخرج سوف يكون كما يلي:

```text
(a) SMS, smoothing alpha
  alpha=1e-10  FP=13 FN= 13 precision=0.913 recall=0.913
  alpha=0.01   FP=12 FN= 11 precision=0.921 recall=0.927
  alpha=0.1    FP= 9 FN= 10 precision=0.940 recall=0.933
  alpha=1      FP= 7 FN= 13 precision=0.951 recall=0.913
  alpha=3      FP= 3 FN= 21 precision=0.977 recall=0.860
  alpha=10     FP= 1 FN= 48 precision=0.990 recall=0.680
(b) Arabic, the outlets' own names removed from every tweet
  tweets that contained an outlet name: 7726
  FP=8 FN=8 precision=0.979 recall=0.979
(c) Arabic, 3,315 opinion tweets from ASTD (GPL-2.0) added to the ham side of training only
  news ham only   test FP=2 FN=8 | probes: 0.068  0.999  1.000  0.686
  news + ASTD ham test FP=1 FN=14 | probes: 0.000  0.064  1.000  0.000
```

### التنعيم alpha يحرك نوع الخطأ

مع `alpha` صغيرة جداً، `1e-10`، لم يظهر `-inf` كما في المثال اليدوي، لأن الاحتمال صغير جداً ولكنه ليس صفراً، والنتيجة 13 إيجابياً خاطئاً و13 سلبياً خاطئاً، أي أن الكلمات النادرة أصبحت أدلة قاطعة تقريباً. ومع زيادة `alpha` انخفض الإيجابي الخاطئ بثبات: 7 مع 1، و3 مع 3، و1 مع 10، وارتفع الإزعاج الذي يمر من 13 إلى 21 ثم إلى 48\. والسبب أن التنعيم الكبير يقرب احتمالات الكلمات النادرة في الفئتين من بعضها، والفئة الأصغر هي المزعج، فتحتاج الرسالة أدلة أقوى حتى تصنف مزعجة. ولاحظ أن `alpha=10` وعتبة 0.999 يحققان تقريباً نفس الشيء من طريقين، ولكن العتبة أوضح في الشرح وأسهل في التعديل دون إعادة تدريب، ولذلك نفضل أن نترك `alpha` قريبة من 1 ونتحكم بالعتبة.

### حذف أسماء الوسائل Data Leakage

7,726 تغريدة سليمة فيها اسم الوسيلة الإخبارية نفسها، مثل «العربيه» أو «سكاي اخبار» في آخر التغريدة. وهذا نوع من تسرب البيانات Data Leakage: معلومة في النص تكشف الفئة لأسباب لا علاقة لها بالسؤال، فالنموذج يعتمد عليها لأنها أسهل دليل. وعندما حذفناها من كل التغريدات وأعدنا التدريب ارتفع الإيجابي الخاطئ من 2 إلى 8، وانخفض الضبط من 0.995 إلى 0.979\. أي أن جزءاً من النجاح الأول كان من توقيع الوسيلة وليس من فهم النص. ومع ذلك بقي الأداء عالياً، لأن أسلوب الأخبار نفسه مختلف عن أسلوب الإعلانات حتى بدون الأسماء، وهذا بالضبط ما يجعل التحيز صعب الاكتشاف.

### إضافة نصوص سليمة Ham من مصدر آخر

المشكلة أن السليم كله أخبار، فالحل أن نضيف سليماً ليس أخباراً. وأقرب مصدر عام وجدناه هو [ASTD](https://github.com/mahmoudnabil/ASTD?ref=arabroot.io)، وهي مجموعة تغريدات عربية لتحليل المشاعر، منشورة برخصة GPL-2.0، فأخذنا منها 3,315 تغريدة رأي شخصي، الإيجابية والسلبية والمحايدة، وأضفناها إلى السليم في التدريب فقط، وتركنا الاختبار كما هو. والنتيجة في المخرج: رسالة موقع المطعم انخفضت من 0.999 إلى 0.064، ورسالة «الحمد لله» من 0.686 إلى 0.000، ورسالة التهنئة من 0.068 إلى 0.000، بينما الإعلان بقي 1.000\. وفي اختبار المجموعة الأصلية انخفض الإيجابي الخاطئ من 2 إلى 1، وارتفع الإزعاج الذي يمر من 8 إلى 14\. أي أننا دفعنا ستة إعلانات إضافية تمر مقابل نموذج يفهم أن الرسالة الشخصية ليست إزعاجاً، وهذه مقايضة يقبلها مدير منصتنا بكل تأكيد.

ولكن لاحظ أن هذا ليس الحل النهائي، وإنما دليل على مكان المشكلة. فتغريدات ASTD عن السياسة والأحداث في مصر قبل سنوات، وليست رسائل بيع وشراء. والحل الصحيح لمنصتنا أن نجمع رسائلنا نحن: نشغل الفلتر في وضع المراقبة فقط لأسابيع، أي يحسب الاحتمال ويسجله ولا يحجز شيئاً، ونعطي البائعين زر «هذه رسالة مزعجة» وزر «هذه ليست مزعجة»، ثم ندرب على ما جمعناه.

## أنواع Naive Bayes Variants: أيها يناسب النص؟

ما كتبناه في `nb.py` هو النوع متعدد الحدود Multinomial، الذي يعد كم مرة ظهرت كل كلمة. ولكن الاسم Naive Bayes يطلق على عائلة كاملة تشترك في قاعدة بايز وافتراض الاستقلال، وتختلف في الطريقة التي تحسب بها احتمال الميزة داخل الفئة، وscikit-learn فيها خمسة أنواع منها:

- متعدد الحدود Multinomial: الميزة عدد مرات ظهور الكلمة، وهو الأنسب للنصوص، وهو الذي استخدمناه.
- برنولي Bernoulli: الميزة نعم أو لا، أي هل ظهرت الكلمة في الرسالة أم لا، ولا يهمه تكرارها. ومن خصائصه أنه يعاقب على غياب الكلمة أيضاً، فإذا كانت «prize» قوية في المزعج ولم تظهر في الرسالة فهذا دليل صغير على السلامة. ويناسب الرسائل القصيرة جداً التي نادراً ما تتكرر فيها كلمة.
- المتمم Complement: يحسب احتمال الكلمة في كل الفئات الأخرى بدل فئتها، وصمم لتصحيح ميل النموذج نحو الفئة الكبيرة عندما تكون الفئات غير متوازنة، وهي حالتنا تماماً، ولذلك وضعناه في التدريب العملي.
- الغاوسي Gaussian: للميزات الرقمية المتصلة، مثل طول الرسالة بالأحرف أو عدد الروابط، ويفترض أن كل ميزة تتبع التوزيع الطبيعي داخل كل فئة. ولا يناسب عد الكلمات.
- الفئوي Categorical: للميزات التي تأخذ قيماً من قائمة، مثل نوع الحساب أو بلد الرقم.

وفي منصة حقيقية لن تكون الكلمات هي الدليل الوحيد، فعمر حساب المرسل، وعدد الرسائل التي أرسلها في الساعة الأخيرة، وهل في الرسالة رقم هاتف أو رابط، كلها أدلة قوية. والطريقة البسيطة أن تحول هذه الأدلة إلى كلمات خاصة تضيفها إلى النص قبل العد، مثل `__new_account__` و`__has_phone__`، فيتعلم النموذج وزنها مع بقية الكلمات دون تغيير في الخوارزمية. وهذه حيلة قديمة في فلاتر البريد، لأن رؤوس الرسالة نفسها تدخل كرموز في العد.

## كيف يلتف المعلن على الفلتر؟ Adversarial Spam

الفرق الكبير بين فلترة الإزعاج وأغلب مشاكل التصنيف أن الطرف الآخر يتعلم أيضاً. فالطقس لا يغير سلوكه لأنك بنيت نموذجاً يتوقعه، أما المعلن فيرى أن رسائله لا تصل، فيغيرها. وهذه أشهر الطرق التي سوف تقابلها، وكيف يتعامل معها التصميم الذي نقترحه:

- تشويه الكلمات: «و.ا.ت.س.ا.ب» و«واتسااب» و«W@tsapp». والتطبيع يحل جزءاً منها، مثل التكرار والتشكيل، وما يبقى يصبح كلمات جديدة نادرة، وهنا تفيد طبقة أخرى مثل اكتشاف الرموز بين الحروف، أو التقطيع إلى مجموعات حروف Character N-grams بدل الكلمات، لأن «واتسااب» و«واتساب» تشتركان في أغلب مجموعات الحروف.
- إضافة كلمات سليمة: يضع المعلن في آخر الرسالة فقرة من نص عادي حتى يرفع أدلة السلامة، وهذه الطريقة تسمى أحياناً تسميم بايز Bayesian Poisoning. وNaive Bayes حساس لها لأنه يجمع كل الأدلة بنفس الطريقة، ولذلك تفيد قاعدة بسيطة بجانبه: الرسالة الطويلة جداً من حساب جديد فيها رابط تذهب للمراجعة مهما كان احتمالها.
- الرسالة في صورة: النص في صورة لا يراه العد أصلاً. وفي منصتنا الحل أن الحسابات الجديدة لا ترسل صوراً أو روابط حتى تكمل عدداً من المحادثات الطبيعية.
- التغيير المستمر: الكلمات التي تعلمها النموذج هذا الشهر قد تختفي الشهر القادم. ولذلك إعادة التدريب الدورية من تقارير البائعين ليست تحسيناً اختيارياً، وإنما جزء من الفلتر نفسه، ومراقبة نسبة المحجوز يومياً تخبرك متى تغير شيء.

ولاحظ أن كل هذه الطرق تعمل على النموذج وتفشل غالباً أمام القواعد البسيطة حول الحساب والسلوك، والعكس صحيح، ولهذا السبب تجمع أنظمة البريد عشرات الفحوص في درجة واحدة بدل الاعتماد على فحص واحد، كما رأينا في سطور SpamAssassin في [دليل Proxmox Mail Gateway](https://arabroot.io/articles/%D8%AA%D8%AB%D8%A8%D9%8A%D8%AA-proxmox-mail-gateway/).

## تصميم الفلتر في المنصة Filter Design

بعد التجارب أصبح التصميم الذي نقترحه للمنصة واضحاً، والشكل التالي يلخصه:

![خط معالجة من خمس مراحل: التطبيع، ثم التقطيع، ثم العد في مصفوفة متفرقة 4458 في 7824، ثم النموذج Naive Bayes، ثم القرار بعتبتين وارد ومراجعة وحجز، وتحته التدريب في 0.10 ثانية والتغذية الراجعة من البائعين](https://arabroot.io/content/images/2026/11/spam-naive-bayes-06-pipeline.webp)

الفلتر كاملاً: كل مرحلة صغيرة ومفهومة، والقرار بعتبتين، والتغذية الراجعة من البائعين هي التي تحسنه مع الوقت.

- البداية في وضع المراقبة Shadow Mode: الفلتر يحسب ويسجل ولا يحجز، حتى نجمع بيانات حقيقية ونعرف نسبة الإيجابي الخاطئ على رسائلنا نحن.
- عتبتان: الحجز فوق عتبة عالية جداً نختارها من بيانات المنصة بحيث يكون الإيجابي الخاطئ صفراً أو قريباً منه، والمنطقة الوسطى إلى مجلد مراجعة يراه البائع، ولا نحذف أي رسالة نهائياً.
- كل نقل يدوي من البائع، من المراجعة إلى الوارد أو العكس، يحفظ مع النص والقرار، ويضاف إلى بيانات التدريب التالية. والتدريب يأخذ أقل من ثانية، فإعادته كل ليلة رخيصة.
- كل قرار حجز يحفظ معه أقوى الكلمات التي دفعته، وهذا سهل في Naive Bayes لأن الدرجة مجموع أوزان كلمات، فإذا اشتكى بائع نستطيع أن نقول له: حجزت لأنها فيها «واتساب» و«متابعين» ورابط.
- الفلتر طبقة واحدة وليس الحماية كلها: حدود عدد الرسائل لكل حساب جديد في الساعة، ومنع الروابط من الحسابات الجديدة، وحظر الحسابات التي يبلغ عنها أكثر من بائع، كلها تلتقط ما يفوت النموذج. وفي البريد الإلكتروني نفس الفكرة، فالفلتر الإحصائي يعمل بجانب فحوص المرسل مثل SPF وDKIM التي شرحناها في [مقال SPF وDKIM وDMARC](https://arabroot.io/articles/%D8%B4%D8%B1%D8%AD-spf-%D9%88-dkim-%D9%88-dmarc-%D9%84%D9%84%D9%85%D8%A8%D8%AA%D8%AF%D8%A6%D9%8A%D9%86/).

وقد يسأل البعض: لماذا لا نستخدم نموذج لغة كبير يفهم النص بدل عد الكلمات؟ والإجابة أن ذلك ممكن، وسوف يفهم «أرسل لي موقع المطعم» أفضل، ولكن ثمنه استدعاء نموذج لكل رسالة، وزمن استجابة أطول، وتكلفة تتضاعف مع عدد الرسائل، وصعوبة في شرح سبب القرار. وقد ناقشنا هذه المقارنة في [لماذا تفوقت نماذج اللغة على التعلم الآلي التقليدي](https://arabroot.io/articles/%D9%84%D9%85%D8%A7%D8%B0%D8%A7-%D8%AA%D9%81%D9%88%D9%82%D8%AA-%D9%86%D9%85%D8%A7%D8%B0%D8%AC-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D8%B9%D9%84%D9%89-%D8%A7%D9%84%D8%AA%D8%B9%D9%84%D9%85-%D8%A7%D9%84%D8%A7%D9%84%D9%8A-%D8%A7%D9%84%D8%AA%D9%82%D9%84%D9%8A%D8%AF%D9%8A/)، والخلاصة لمنصتنا: ابدأ بـ Naive Bayes لأن تدريبه أقل من ثانية وتصنيفه عد وجمع، ويشرح نفسه، وإذا وجدت فئة رسائل يخطئ فيها باستمرار، فأرسل المنطقة الوسطى فقط إلى نموذج أكبر.

## أخطاء شائعة Common Mistakes

- **الحكم بالدقة Accuracy وحدها:** نموذج «كل شيء سليم» دقته 86.6% على بيانات SMS. انظر دائماً إلى مصفوفة الالتباس والضبط والاستدعاء.
- **نسيان التنعيم:** كلمة واحدة غير مرئية في فئة تلغي كل الأدلة، والنتيجة `nan` أو قرار مقلوب.
- **ضرب الاحتمالات بدل جمع اللوغاريتمات:** يعمل على رسائل قصيرة في الاختبار، ويتلاشى إلى صفر على رسالة طويلة في الإنتاج.
- **قراءة الاحتمال كثقة حقيقية:** احتمالات Naive Bayes متطرفة بسبب افتراض الاستقلال، فاختر العتبة من بيانات الاختبار.
- **التقييم على بيانات من نفس المصدر المتحيز:** الضبط 0.995 على التغريدات العربية، والرسالة الشخصية العادية تحجز بثقة 0.999.
- **التكرار بين التدريب والاختبار:** احذف المكرر قبل التقسيم، خاصة في الإزعاج الذي يرسل نفس النص آلاف المرات.
- **تدريب الـ Vectorizer على كل البيانات:** المفردات يجب أن تبنى من التدريب فقط بـ `fit_transform`، ثم `transform` على الاختبار، وإلا عرف النموذج كلمات الاختبار مسبقاً.
- **الحذف النهائي:** لا تحذف رسالة بقرار نموذج، واحجزها في مكان يراه صاحبها.

## قائمة تحقق Checklist قبل تشغيل الفلتر

1. هل قرأت كيف جمعت بيانات التدريب، ومن أين جاء السليم ومن أين جاء المزعج؟
2. هل جربت النموذج على عينة من رسائل منصتك الحقيقية، صنفتها بيدك؟
3. هل حذفت التكرار قبل التقسيم، والتقسيم طبقي ببذرة ثابتة؟
4. هل التطبيع العربي نفسه في التدريب والتشغيل، في نفس الدالة ونفس الإصدار؟
5. هل حسبت ثمن الإيجابي الخاطئ مقابل السلبي الخاطئ، واخترت العتبة بناءً عليه؟
6. هل عندك منطقة مراجعة بدل الحجز المباشر، ولا شيء يحذف نهائياً؟
7. هل يسجل كل قرار حجز أقوى الكلمات التي دفعته، حتى تشرحه لصاحب الرسالة؟
8. هل يوجد زر للإبلاغ عن الخطأ في الاتجاهين، وتدخل نتائجه في التدريب التالي؟
9. هل بدأت بوضع المراقبة قبل أن يحجز الفلتر أي رسالة؟
10. هل تراقب نسبة المحجوز يومياً، فإذا ارتفعت فجأة تعرف أن المعلنين غيروا أسلوبهم أو أن شيئاً تعطل؟

## تدريب عملي Practice

- أضف إلى `nb.py` دالة `explain(text)` ترجع الكلمات الخمس التي ساهمت أكثر في القرار مع وزن كل منها، وجربها على رسالة «Waiting for your call.».
- جرب `ComplementNB` من scikit-learn بدل `MultinomialNB` على التغريدات العربية، فهو مصمم للفئات غير المتوازنة، وقارن الإيجابي الخاطئ.
- أضف إلى التقطيع أزواج الكلمات Bigrams بالخيار `ngram_range=(1, 2)`، وانظر هل تتحسن رسالة «Waiting for your call.».
- اكتب عشرين رسالة بأسلوب منصة بيع وشراء، عشراً عادية وعشراً إعلانية، واختبر عليها النموذجين في الخطوة الخامسة.

## الخلاصة Summary

وصلنا لنهاية الموضوع، وأهم ما فيه:

- Naive Bayes يعد الكلمات في كل فئة ويجمع لوغاريتمات احتمالاتها، والتدريب على 4,458 رسالة أخذ 0.10 ثانية بكود من المكتبة القياسية.
- بلا تنعيم تلغي كلمة واحدة غير مرئية كل الأدلة وتخرج `nan`، وتنعيم لابلاس يضيف 1 لكل كلمة.
- كودنا وscikit-learn أعطيا نفس القرار في 1,116 رسالة من 1,116.
- الدقة وحدها تخدع: «كل شيء سليم» دقته 0.866\. ونموذجنا ضبطه 0.951 واستدعاؤه 0.913.
- رفع العتبة إلى 0.999 جعل الرسائل الحقيقية المحجوزة صفراً مع التقاط 85% من الإزعاج، والتصميم الأفضل عتبتان ومنطقة مراجعة.
- على التغريدات العربية كان الضبط 0.995، ولكن النموذج تعلم «الأخبار مقابل كل شيء»، فحجز رسالة شخصية عادية بثقة 0.999\. وإضافة 3,315 تغريدة رأي إلى السليم أنزلتها إلى 0.064.
- أهم سؤال قبل أي نموذج: من أين جاءت البيانات؟

وهذا المقال من مرحلة مشاريع تعلم الآلة العملية، وهذه مقالات منشورة ترتبط به:

[![](https://arabroot.io/content/images/2026/10/ml-basics-cover-cover.webp)دليلالتعلم الآلي Machine Learning للمبتدئينكيف تتعلم الآلة القواعد من الأمثلة، وكيف تعرف أن النموذج تعلم فعلاً ولم يحفظ الإجابات، ومتى تختار كل خوارزمية.](https://arabroot.io/articles/%D8%A7%D9%84%D8%AA%D8%B9%D9%84%D9%85-%D8%A7%D9%84%D8%A7%D9%84%D9%8A-machine-learning-%D9%84%D9%84%D9%85%D8%A8%D8%AA%D8%AF%D8%A6%D9%8A%D9%86/)[![](https://arabroot.io/content/images/2026/10/probability-for-programmers-cover-cover.webp)دليلالاحتمالات Probability للمبرمجين: التصادم Collision والتوفركم معرفاً أو رابطاً قصيراً تنشئ قبل أول تكرار، ولماذا يخدعك افتراض الاستقلال في حساب التوفر والإعادة، بأرقام محسوبة ومحاكاة حقيقية.](https://arabroot.io/articles/%D8%A7%D9%84%D8%A7%D8%AD%D8%AA%D9%85%D8%A7%D9%84%D8%A7%D8%AA-%D9%84%D9%84%D9%85%D8%A8%D8%B1%D9%85%D8%AC%D9%8A%D9%86-%D8%AA%D8%B5%D8%A7%D8%AF%D9%85-%D8%A7%D9%84%D9%85%D8%B9%D8%B1%D9%81%D8%A7%D8%AA-%D9%88%D8%A7%D9%84%D9%87%D8%A7%D8%B4-%D9%88%D8%AA%D9%88%D9%81%D8%B1-%D8%A7%D9%84%D8%A7%D9%86%D8%B8%D9%85%D8%A9/)[![](https://arabroot.io/content/images/2026/10/arabic-nlp-cover-cover.webp)دليلمعالجة اللغة الطبيعية NLP للعربية ولماذا تصعب على البرامجلماذا تصعب العربية على البرامج من الزوائد واللهجات إلى تكلفة التوكنز، وما الأدوات والنماذج المتاحة لمن يبني مساعداً عربياً.](https://arabroot.io/articles/%D9%85%D8%B9%D8%A7%D9%84%D8%AC%D8%A9-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D8%A7%D9%84%D8%B7%D8%A8%D9%8A%D8%B9%D9%8A%D8%A9-nlp-%D9%84%D9%84%D8%B9%D8%B1%D8%A8%D9%8A%D8%A9/)[![](https://arabroot.io/content/images/2026/10/regex-cover-cover.webp)دليلالتعبيرات النمطية Regex للمبتدئين، مع النص العربيكيف تقرأ وتكتب تعبيراً نمطياً جزءاً بجزء، ولماذا يختلف سلوكه مع النص العربي بين اللغات، وكيف يوقف نمط واحد سيرفرك.](https://arabroot.io/articles/%D8%A7%D9%84%D8%AA%D8%B9%D8%A8%D9%8A%D8%B1%D8%A7%D8%AA-%D8%A7%D9%84%D9%86%D9%85%D8%B7%D9%8A%D8%A9-regex-%D9%84%D9%84%D9%85%D8%A8%D8%AA%D8%AF%D8%A6%D9%8A%D9%86/)[![](https://arabroot.io/content/images/2026/10/text-encoding-cover-cover.webp)دليلترميز النصوص Text Encoding: من ASCII إلى UTF-8نتابع نصاً عربياً بايتاً بايتاً من الكتابة إلى قاعدة البيانات، ونرى لماذا يتحول إلى «Ø§Ù„» وكيف تمنع ذلك وتقارن النصوص وتقطعها بشكل صحيح.](https://arabroot.io/articles/%D8%AA%D8%B1%D9%85%D9%8A%D8%B2-%D8%A7%D9%84%D9%86%D8%B5%D9%88%D8%B5-ascii-%D9%88-unicode-%D9%88-utf-8-%D9%88%D8%A7%D9%84%D8%AD%D8%B1%D9%88%D9%81-%D8%A7%D9%84%D9%85%D8%B4%D9%88%D9%87%D8%A9/)[![](https://arabroot.io/content/images/2026/10/email-gateway-tools-cover-cover.webp)دليلبوابات أمن البريد المفتوحة: أيها تضع أمام خادمك؟مقارنة بين بوابات أمن البريد المفتوحة والمستضافة ذاتياً، لتعرف أيها يناسب مؤسستك وأين تضعها أمام خادم البريد.](https://arabroot.io/articles/%D9%85%D9%82%D8%A7%D8%B1%D9%86%D8%A9-%D8%A8%D9%88%D8%A7%D8%A8%D8%A7%D8%AA-%D8%A7%D9%85%D9%86-%D8%A7%D9%84%D8%A8%D8%B1%D9%8A%D8%AF-%D9%85%D9%81%D8%AA%D9%88%D8%AD%D8%A9-%D8%A7%D9%84%D9%85%D8%B5%D8%AF%D8%B1/)[![](https://arabroot.io/content/images/2026/10/why-llms-won-cover-cover.webp)دليللماذا تفوقت نماذج اللغة LLM على التعلم الآلي التقليدي؟ما الذي جعل نموذج لغة واحداً يحل مهاماً كانت تحتاج نموذجاً لكل منها، وأين ما زالت الخوارزميات التقليدية هي الخيار الأفضل.](https://arabroot.io/articles/%D9%84%D9%85%D8%A7%D8%B0%D8%A7-%D8%AA%D9%81%D9%88%D9%82%D8%AA-%D9%86%D9%85%D8%A7%D8%B0%D8%AC-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D8%B9%D9%84%D9%89-%D8%A7%D9%84%D8%AA%D8%B9%D9%84%D9%85-%D8%A7%D9%84%D8%A7%D9%84%D9%8A-%D8%A7%D9%84%D8%AA%D9%82%D9%84%D9%8A%D8%AF%D9%8A/)

## سجل التحديثات Changelog

- نوفمبر 2026: كتابة المقال، وتشغيل Naive Bayes من الصفر وscikit-learn 1.9.1 على UCI SMS Spam Collection وتغريدات Kaddoura وHenno العربية وASTD، على Python 3.13 داخل Docker.