Menu

COMEÇAR A APRENDER

Português

Revisão: filtro de spam

Parte da seção Aprendizado supervisionado do Journey de Machine Learning da Coddy. Lição 20 de 58.

Desafio

Médio

Construa o filtro de spam com o qual este capítulo começou. emails.csv contém 200 e-mails: links, exclaims, caps_words, from_contact (1 para um remetente conhecido), words e spam. O programa lê um limite.

Reserve um quarto dos dados para teste (random_state=0), aplique a escala às linhas de treinamento e ajuste uma LogisticRegression; imprima a acurácia no teste (3 casas decimais).
No limite definido, conte os e-mails de teste classificados como spam, quantos deles são legítimos e quantas mensagens de spam passaram.
Imprima a evidência mais forte de spam e seu peso (2 casas decimais).

Para outro serviço 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)

Experimente você mesmo

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())

# Escreva seu código abaixo

Todas as lições de Aprendizado supervisionado

1Seu primeiro modelo

Aprendendo com exemplos Conjuntos de treino e teste Ajustar e prever Avaliar um modelo Recapitulação: classificador de sementes

4Regressão logística

Previsões de sim ou não O limiar de decisão Pesos como evidências Várias classesRevisão: filtro de spam

7Sobreajuste

Subajuste e sobreajuste Curvas de aprendizado Regularização Conjuntos de validação Revisão: ajustando uma árvore

10Pipelines

Pipelines Colunas mistas Imputação em um pipeline Ajustando um pipeline Revisão: limpar e prever

2Vizinhos Mais Próximos

Como o k-NN Decide Escolhendo k Limites de Decisão Escalonamento para Vizinhos Revisão: Vizinhos do Vinho

5Avaliando Classificadores

A Matriz de Confusão Precisão e Revocação A Pontuação F1 Classes Desbalanceadas Curvas ROC Recapitulação: Teste de Triagem

8Validação Cruzada

Validação K-Fold Comparando Modelos de Forma Justa Busca em Grade Revisão: Consertos de Skate

11Projeto: Espécies de Pinguins

Conheça os Pinguins Prepare os Dados Escolha um Modelo Ajuste o Vencedor Coloque o Modelo em Produção

3Regressão Linear

Prevendo números Várias características Medindo erros Gráficos de resíduos Revisão: aluguel de bicicletas

6Árvores de Decisão

Árvores fazem perguntas Lendo uma árvore Profundidade da árvore Importância das características Revisão: decisões de empréstimo

9Métodos ensemble

Florestas aleatórias Por que as florestas funcionam Boosting de gradiente Revisão: Guarda-florestal

12Desafios Finais

Evolução do Diabetes Aprovação de Crédito Dígitos Manuscritos Cancelamento de Clientes

Pratique por conta própria: Compilador de Python online