做网站图片软文广告经典案例600
sms-classify
基于支持向量机的垃圾邮件分类，使用SVM+flask+vue
数据集和源码地址
数据集 SMS Spam Collection Data Set 来源于 UCI。样例被分为非垃圾邮件（86.6%）和垃圾邮件（13.4%），数据格式如下：
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...
代码结构
- client: 前端实现
- server: 后端实现- models: svm model- sms_classify.py: 垃圾邮件分类实现- SMSSpamCollection: 数据集- app.py 系统实现
- svm.py: 支持向量机算法实现
- svm_test.py：算法test
性能评估
综合比较了垃圾邮件分类任务在支持向量机、朴素贝叶斯、最近邻、决策树算法下的性能，
评估指标包括accuracy、precision、recall、f1-score等。
从accuracy来看，支持向量机的accuracy为98%，是所有测试算法中最高的，可以看出
垃圾邮件分类任务适合使用支持向量机来做。
各算法表现具体如下表：
- 支持向量机：
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
支持向量机的accuracy有 98.029%。
- 贝叶斯算法：
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贝叶斯算法的accuracy只有 94.803%。
- 最近邻算法：
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最近邻算法的accuracy为 96.774%。
- 决策树算法：
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
决策树算法的accuracy为 95.699%。
如何运行
首先安装必要的包
# 创建虚拟环境
python -m venv env
# 激活虚拟环境
source env/bin/activate
# 安装依赖包
pip install -r requirements.txt
运行SVM算法实现
# 确保安装 matplotlib 和 numpy
python3 svm_test.py
运行垃圾邮件分类
~ cd server/models/
~ python3 sms_classify.py
运行垃圾邮件分类系统
server端
# 确保安装必要的包
# 启动flask
python app.pyclient端
# 确保安装node & npm
npm install
npm run server