sms-classify

基于支持向量機的垃圾郵件分類，使用SVM+flask+vue
數據集和源碼地址

數據集 SMS Spam Collection Data Set 來源于 UCI。樣例被分為非垃圾郵件（86.6%）和垃圾郵件（13.4%），數據格式如下：

ham Go until jurong point, crazy.. Available only in bugis n great world la e buffet... 
ham	Ok lar... Joking wif u oni...
spam	Free entry in 2 a wkly comp to win FA Cup final tkts 21st May 2005. 
ham	U dun say so early hor... U c already then say...

代碼結構

- client: 前端實現
- server: 后端實現- models: svm model- sms_classify.py: 垃圾郵件分類實現- SMSSpamCollection: 數據集- app.py 系統實現
- svm.py: 支持向量機算法實現
- svm_test.py：算法test

性能評估

綜合比較了垃圾郵件分類任務在支持向量機、樸素貝葉斯、最近鄰、決策樹算法下的性能，
評估指標包括accuracy、precision、recall、f1-score等。

從accuracy來看，支持向量機的accuracy為98%，是所有測試算法中最高的，可以看出
垃圾郵件分類任務適合使用支持向量機來做。

各算法表現具體如下表：

• 支持向量機：

             precision    recall  f1-score   support0       0.98      1.00      0.99       4821       1.00      0.86      0.92        76accuracy                           0.98       558macro avg       0.99      0.93      0.96       558
weighted avg       0.98      0.98      0.98       558

支持向量機的accuracy有 98.029%。

• 貝葉斯算法：

         precision    recall  f1-score   support0       0.94      1.00      0.97       4821       1.00      0.62      0.76        76accuracy                           0.95       558macro avg       0.97      0.81      0.87       558
weighted avg       0.95      0.95      0.94       558

貝葉斯算法的accuracy只有 94.803%。

• 最近鄰算法：

     precision    recall  f1-score   support0       0.97      0.99      0.98       4821       0.93      0.83      0.88        76accuracy                           0.97       558macro avg       0.95      0.91      0.93       558
weighted avg       0.97      0.97      0.97       558

最近鄰算法的accuracy為 96.774%。

• 決策樹算法：

       precision    recall  f1-score   support0       0.97      0.98      0.98       4821       0.88      0.79      0.83        76accuracy                           0.96       558macro avg       0.92      0.89      0.90       558
weighted avg       0.96      0.96      0.96       558

決策樹算法的accuracy為 95.699%。

如何運行

首先安裝必要的包

# 創建虛擬環境
python -m venv env
# 激活虛擬環境
source env/bin/activate
# 安裝依賴包
pip install -r requirements.txt

運行SVM算法實現

# 確保安裝 matplotlib 和 numpy
python3 svm_test.py

運行垃圾郵件分類

~ cd server/models/
~ python3 sms_classify.py 

運行垃圾郵件分類系統

server端

# 確保安裝必要的包
# 啟動flask
python app.py

client端

# 確保安裝node & npm
npm install
npm run server