Riepilogo: filtro antispam
Fa parte della sezione Apprendimento supervisionato del percorso Machine Learning di Coddy. Lezione 20 di 58.
Sfida
MedioCostruisci il filtro antispam con cui si è aperto questo capitolo. emails.csv contiene 200 email: links, exclaims, caps_words, from_contact (1 per un mittente conosciuto), words e spam. Il programma legge una soglia.
- Tieni da parte un quarto per il test (
random_state=0), scala le righe di addestramento e addestra unLogisticRegression; stampa la sua accuratezza sul test (3 decimali). - Alla soglia indicata, conta le email di test inviate allo spam, quante tra queste sono reali e quante email di spam sono passate.
- Stampa la prova più forte di spam e il suo peso (2 decimali).
Per un altro servizio e 0.7:
Test accuracy: 0.884
At 0.7: 15 emails to spam (1 of them real), 4 spam let through
Strongest spam evidence: links (1.38)Provalo tu
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
emails = pd.read_csv("emails.csv")
features = ["links", "exclaims", "caps_words", "from_contact", "words"]
threshold = float(input())
# Scrivi il tuo codice qui sotto
Tutte le lezioni di Apprendimento supervisionato
1Il tuo primo modello
Imparare dagli esempiInsiemi di addestramento e testAdattare e prevedereValutare un modelloRiepilogo: Ordinatore di semi4Regressione logistica
Previsioni sì o noLa soglia decisionaleI pesi come evidenzePiù classiRiepilogo: filtro antispam2Vicini più prossimi
Come decide k-NNScegliere kConfini decisionaliNormalizzare le scale per i viciniRiepilogo: vicini del vino5Misurare i classificatori
La matrice di confusionePrecisione e richiamoIl punteggio F1Classi sbilanciateCurve ROCRiepilogo: test di screening8Convalida incrociata
Validazione K-foldConfronto equo tra modelliRicerca a grigliaRiepilogo: riparazioni di skateboard11Progetto: specie di pinguini
Incontra i pinguiniPrepara i datiScegli un modelloOttimizza il miglioreDistribuisci il modello3Regressione lineare
Prevedere numeriPiù caratteristicheMisurare gli erroriGrafici dei residuiRiepilogo: noleggio di biciclette6Alberi decisionali
Gli alberi fanno domandeLeggere un alberoProfondità dell’alberoImportanza delle caratteristicheRiepilogo: decisioni sui prestitiEsercitati da solo: Compilatore Python online