oluchukwuwalter/Hybrid-Machine-Learning-Model-for-Emal-Spam-and-Malware-Classification
GitHub: oluchukwuwalter/Hybrid-Machine-Learning-Model-for-Emal-Spam-and-Malware-Classification
一个基于Python和scikit-learn的机器学习模型，用于对电子邮件和短信进行垃圾邮件（spam）与正常邮件（ham）的二分类。
Stars: 0 | Forks: 0
# 使用自然语言处理检测短信垃圾邮件
## 目录
* [演示](#demo)
* [简介](#introduction)
* [数据集](#dataset)
* [使用的技术](#technologies-used)
* [准确率](#accuracy)
## 演示
链接：https://spam-detector-01.herokuapp.com/
[](https://spam-detector-01.herokuapp.com/) ## 简介 这是一个使用 Flask 构建并部署在 Heroku 平台上的垃圾邮件分类器 Web 应用程序。
该应用程序接收消息/电子邮件作为输入，并预测该消息/电子邮件是垃圾邮件还是非垃圾邮件（正常邮件）。 ## 数据集 我使用了 UCI 机器学习仓库中的开源 [Spambase 数据集](http://archive.ics.uci.edu/ml/datasets/Spambase/)。
它包含 5572 行和 2 列。每一行代表文本中的消息是垃圾邮件还是正常邮件（非垃圾邮件）。 ## 使用的技术  [
](https://flask.palletsprojects.com/en/1.1.x/) [
](https://gunicorn.org) [
](https://scikit-learn.org/stable/)
## 准确率
准确率：98%
[](https://spam-detector-01.herokuapp.com/) ## 简介 这是一个使用 Flask 构建并部署在 Heroku 平台上的垃圾邮件分类器 Web 应用程序。
该应用程序接收消息/电子邮件作为输入，并预测该消息/电子邮件是垃圾邮件还是非垃圾邮件（正常邮件）。 ## 数据集 我使用了 UCI 机器学习仓库中的开源 [Spambase 数据集](http://archive.ics.uci.edu/ml/datasets/Spambase/)。
它包含 5572 行和 2 列。每一行代表文本中的消息是垃圾邮件还是正常邮件（非垃圾邮件）。 ## 使用的技术  [
](https://flask.palletsprojects.com/en/1.1.x/) [](https://gunicorn.org) [](https://scikit-learn.org/stable/)
## 准确率
准确率：98%标签：Apex, BSD, Flask, ham检测, Heroku, NLP, Python, scikit-learn, Spambase数据集, spam过滤, UCI机器学习, 人工智能, 分类器, 分类模型, 垃圾邮件检测, 数据挖掘, 文本分类, 文本处理, 无后门, 机器学习, 深度学习, 特征提取, 用户模式Hook绕过, 逆向工具, 邮件分类, 邮件安全