El objetivo de este proyecto es desarrollar un sistema de clasificación automática capaz de distinguir entre correos electrónicos normales (ham) y correos electrónicos no deseados (spam).
Fuente del dataset original: Spam Mails Dataset
Dataset: spam_ham_dataset.csv
Parte de los emails ham (no spam) proviene del Enron Corpus, una base de datos pública de correos reales de empleados de la empresa Enron.
El dataset cuenta con 4 columnas y 5171 filas.
El target que se busca predecir es label_num, es decir, si un correo es spam = 1 o ham = 0.
| Columnas | Tipo de dato | Descripción |
|---|---|---|
| Unnamed: 0 | int64 | Indice antiguo (desconocido) |
| label | object | spam / ham |
| text | object | Cuerpo del email |
| label_num | int64 | spam = 1 / ham = 0 |
El dataset cuenta con 2 columnas y 5171 filas.
El target que se predece es is_spam, es decir, si un correo es spam = 1 o ham = 0.
| Columnas | Tipo de dato | Descripción |
|---|---|---|
| text | object | Cuerpo del email |
| is_spam | int64 | spam = 1 / ham = 0 |
Después de evaluar todos los modelos, el que tuvo mejores resultados fue el LinearSVC con una precisión del 98.55%, también muy cerca tenemos al Logistic Regression, ambos tienen mejores resultado que el resto de algoritmos.
Máster de FP en Inteligencia Artifical y Big Data - CPIFP Alan Turing
