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
:incoming_envelope: 垃圾邮件发送者
:postbox: 垃圾邮件检测器
概要
文本挖掘是一个广阔的领域，随着生成的大量文本数据而越来越受欢迎。 使用机器学习模型已经完成了一些应用程序的自动化，例如情感分析，文档分类，主题分类，文本摘要和机器翻译。
垃圾邮件过滤是文档分类任务的一个示例，该任务涉及将电子邮件分类为垃圾邮件或非垃圾邮件（又名火腿）。
在这个项目中，我将以使用Python和可公开获得的邮件语料库的教程的形式，介绍如何实现这种系统的不同步骤。
输出将是一个API和一个Web应用程序，允许用户输入消息并获得响应（如果是垃圾邮件或火腿）。
数据源
安然电子邮件数据集
链接： ：
Python库
对于Fla
2022-05-10 22:47:54
42.02MB
1
提出了一种利用支持向量机改进的朴素贝叶斯算法——TSVM-NB算法。首先利用NB算法对样本集进行初次训练，利用支持向量机构造一个最优分类超平面，每个样本根据与其距离最近样本的类型是否相同进行取舍，这样既降低样本空间规模，又提高每个样本类别的独立性，最后再次用朴素贝叶斯算法训练样本集从而生成分类模型。仿真实验结果表明，该算法在样本空间进行取舍过程当中消除了冗余属性，可以快速得到分类特征子集，提高了垃圾邮件过滤的分类速度、召回率和正确率。
2022-04-22 11:54:45
1.25MB
1
1、内容概要：本资源主要基朴素贝叶斯算法实现垃圾邮件过滤分类，适用于初学者学习文本分类使用。
2、主要内容：邮件数据集email，email文件夹下有两个文件夹ham和spam，其中ham文件夹下的txt文件为正常邮件，spam文件下的txt文件为垃圾邮件；停用词文件stopwords_cn.txt；Naive_Bay.py 朴素贝叶斯算法实现源码；Email_NB.py垃圾邮件分类实现源码。
2022-04-17 16:08:08
29KB