朴素贝叶斯垃圾邮件过滤数据集
数据集说明
本仓库提供了一个用于朴素贝叶斯垃圾邮件过滤的数据集。数据集包含两个文件夹：
- spam：该文件夹下包含的是垃圾邮件的文本文件。
- ham：该文件夹下包含的是非垃圾邮件（正常邮件）的文本文件。
数据集格式
数据集中的每个邮件都以.txt文件的形式存储。每个文件的内容即为邮件的文本内容。
使用场景
该数据集适用于机器学习中的文本分类任务，特别是垃圾邮件过滤。你可以使用朴素贝叶斯分类器或其他分类算法来训练模型，以区分垃圾邮件和正常邮件。
如何使用
- 克隆仓库：首先，克隆本仓库到你的本地环境。
git clone https://github.com/your-repo-url.git - 加载数据：使用Python或其他编程语言加载数据集中的文本文件。
import os spam_folder = 'spam' ham_folder = 'ham' spam_files = os.listdir(spam_folder) ham_files = os.listdir(ham_folder) # 读取垃圾邮件 spam_texts = [open(os.path.join(spam_folder, file), 'r').read() for file in spam_files] # 读取正常邮件 ham_texts = [open(os.path.join(ham_folder, file), 'r').read() for file in ham_files] - 训练模型：使用加载的数据训练你的分类模型。
from sklearn.feature_extraction.text import CountVectorizer from sklearn.naive_bayes import MultinomialNB from sklearn.model_selection import train_test_split # 合并数据 texts = spam_texts + ham_texts labels = ['spam'] * len(spam_texts) + ['ham'] * len(ham_texts) # 向量化文本 vectorizer = CountVectorizer() X = vectorizer.fit_transform(texts) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, labels, test_size=0.2, random_state=42) # 训练朴素贝叶斯模型 model = MultinomialNB() model.fit(X_train, y_train) # 评估模型 accuracy = model.score(X_test, y_test) print(f'模型准确率: {accuracy:.2f}')
贡献
如果你有任何改进建议或发现了数据集中的问题，欢迎提交Issue或Pull Request。
许可证
本数据集遵循MIT许可证。你可以自由使用、修改和分发本数据集，但请保留原始的许可证声明。
希望这个数据集能帮助你在垃圾邮件过滤任务中取得良好的效果！