ml-projects：基于ML的项目，例如垃圾邮件分类，时间序列分析，使用随机森林进行文本分类，深度学习，贝叶斯，Python中的Xgboost
2022-05-19 01:00:19
9KB
1
本文基于朴素贝叶斯构建一个分类垃圾邮件的模型，研究对象是英文的垃圾邮件。
邮件内容保存在txt文件中，其中分为训练样本train和测试样本test。
在训练样本中正常邮件命名为：pos；垃圾邮件命名为：neg。
同时，可以将待分类的测试样本放入测试文件test中的对于pos，或者neg下，用来进行测试，如果是垃圾邮件则类别为0，反之类别为1。
在朴素贝叶斯法进行垃圾邮件的分类的思想中：有一个方法与一个假设：
贝叶斯定理：求解p(c|x)的问题变成了求解p(x|c)的问题
特征条件独立假设 ：X的n个特征在某类确定的条件下都是条件独立的。
具体可以看：[监督学习] 朴素贝叶斯法.
在Gi
2022-05-16 16:30:45
61KB
1
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
2022-03-23 20:30:45
2.77MB
1
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
2022-01-03 13:59:43
1.63MB
1
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
2021-12-29 12:41:20
124KB
1