常见机器学习任务的演练-通过使用python和scikit-learn构建Naive Bayes垃圾邮件分类器

人工智能与模式识别作业4:基于SVM的垃圾邮件分类.zip

适用逻辑回归进行垃圾邮件分类，正确率89%

适合初学者掌握python使用方法与机器学习

matlab实现垃圾邮件分类代码过滤器 使用机器学习过滤垃圾邮件 该项目专注于开发电子邮件垃圾邮件过滤器，该过滤器学习使用各种机器学习技术对垃圾邮件和非垃圾邮件进行分类。 机器学习系统将接受电子邮件消息的训练，以学习区分垃圾邮件和非垃圾邮件。 在这里学习代表观察垃圾邮件模式的行为，该模式建立在一个足够好的模型上，该模型做出的预测适合训练集并在新数据上很好地泛化。 我们采用基于机器学习技术的不同基于监督分类的算法技术，在预先分类的垃圾邮件和非垃圾邮件的某些数据集上训练系统，并对比它们在测试数据集上的性能，以找到具有更好过滤能力的最佳技术。 我们的方法深入研究了不同风格的机器学习算法。 首先我们实现了基于超平面分类模型的感知器算法。 然后我们主动检查我们在 K 最近邻算法中实现的基于实例的学习模型的性能。 我们的最终方法基于概率模型，我们为此实现了朴素贝叶斯算法。 我们从基于原始文本的数据集生成特征向量。 对于每种学习技术，我们准备了一个训练集，其分类标签也提供给算法，并期望它在测试集上返回足够好的预测。 然后我们通过比较平均错误率、学习率和误报率来对比这些算法的性能。 结合计算资源限制的

我们收集的非垃圾邮件来自归档的工作和个人电子邮件，因此，“乔治”一词和区域代码“ 650”表示非垃圾邮件。这些在构建个性化垃圾邮件过滤器时很有用。人们要么必须掩盖此类非垃圾邮件指标，要么必须收集大量非垃圾邮件来生成通用垃圾邮件过滤器。 file/opensearch/documents/92823/spambase_csv.csv

python 算法 外网下载太慢了，我就直接放这了。有zip和tgz两个文件

matlab实现垃圾邮件分类代码机器学习 我学习了机器学习的一些基本方法，通过手工编码每种方法来实现所有程序，并用简单的数据集测试模型。 在这里收集所有代码，项目将不断更新。 目前暂时使用matlab来完成代码。 到目前为止，已经实现了以下算法： 逻辑回归 新元 Logistic 回归 牛顿法逻辑回归 最小二乘回归 朴素贝叶斯 伯努利垃圾邮件分类 多项垃圾邮件分类 高斯判别分析 支持向量机（使用 SMO 算法） 反向传播神经网络 依赖关系 MATLAB 数据 每个项目需要的数据放在项目根目录下。 当然，我在很多项目中使用了相同的数据集来比较模型。 对于这个特定的数据集，我把它放在一个单独的数据集目录中。 训练 对于每个项目，运行其对应的 .m 文件。 结果 我测试的所有模型在给定的数据集上都运行良好。

需要用到的spam.text(垃圾邮件)，ham.txt(非垃圾邮件)。（记得转换成UTF-8格式）以及stop_words.utf8

SpamClassifier:python中的垃圾邮件分类器，以检查邮件是否为垃圾邮件