本项目基于朴素贝叶斯和SVM 分类模型，通过对垃圾邮件和正常邮件的数据训练，进行相关词汇词频的统计分析，实现垃圾邮件的识别功能。本项目包括3个模块：数据模块、模型构建、附加功能。需要Python 3.6 及以上配置，在Windows 环境下载Anaconda 完成Python 所需的配置，也可以下载虚拟机在Linux 环境下运行代码。从github 网站下载与python PIL 库配搭使用的文字引擎pytesseract，将PIL 文件夹里的.py 文件，改为相应pytesseract.exe 路径。注册百度云账号，分别建立图像文字识别和图像识别的小程序。
2024-03-06 16:41:14
28.64MB
1
Cable & Wireless 在自己的整个托管服务环境中部署了 Forefront Security for Exchange Server。Forefront 帮助保护该公司的客户远离病毒、垃圾邮件和其它威胁。它在整个电子邮件基础架构内的多个层中管理多个病毒扫描引擎，这有助于在安全威胁影响到 Exchange Server 基础架构和用户邮箱之前，即将它们拒之门外。该软件使用集中式管理，并与现有 Cable & Wireless Active Directory:registered: 服务和群组规则紧密集成。
2024-03-01 11:06:38
36KB
1
软件: anaconda jupyter notebook
运行代码文件：naive bayes.ipynb
python环境
2023-11-12 20:53:50
55.11MB
1
python朴素贝叶斯垃圾邮件分类与检测系统+可视化 毕业设计（包含文档+源码+部署教程）Django框架
为了解决垃圾邮件导致邮件通信质量被污染、占用邮箱存储空间、伪装正常邮件进行钓鱼或诈骗以及邮件分类问题。应用Python、Sklearn、Echarts技术和Flask、Lay-UI框架，使用MySQL作为系统数据库，设计并实现了基于朴素贝叶斯算法的邮件分类系统，并以Web形式部署在本地计算机。运用Sklearn库对KNN算法、SVM算法和朴素贝叶斯算法进行建模和训练，将训练结果进行分析和对比得出朴素贝叶斯算法在准确率、召回率和精确率三个指标下比其他分类算法更适合邮件分类，因此选择朴素贝叶斯算法作为系统核心算法。系统功能包括邮件检测与数据管理两大核心模块，邮件检测模块，采用基于朴素贝叶斯算法，使用TF-IDF算法对邮件进行特征提取并将邮件内容以及检测结果存储于MySQL数据库，存储到MySQL中的数据将用于数据管理模块；数据管理模块包括数据存储、数据分析、数据可视化。系统采用黑盒测试方法对两个模块进行功能性测试，测试结果符合预期。系统满足设计基本需求，能安全、稳定和可靠地运行。
2023-10-25 05:35:47
16.96MB
1
本文提出了把概率神经网络用语垃圾邮件分类，并通过MATLAB仿真实验与贝叶斯分类器进行比较，得到了比较理想的结果
2023-06-19 18:03:59
172KB
1