Повторение: спам-фильтр
Часть раздела Обучение с учителем путешествия по Machine Learning на Coddy. Урок 20 из 58.
Задание
СреднеСоздай спам-фильтр, с которого начинается эта глава. В emails.csv содержится 200 писем: links, exclaims, caps_words, from_contact (1 для известного отправителя), words и spam. Программа считывает порог.
- Оставь четверть данных для тестирования (
random_state=0), выполни масштабирование по обучающим строкам и обучи модельLogisticRegression; выведи её точность на тестовых данных (3 десятичных знака). - При заданном пороге посчитай количество тестовых писем, отправленных в спам, количество настоящих писем среди них и количество пропущенных спам-писем.
- Выведи самый весомый признак спама и его вес (2 десятичных знака).
Для другой службы и 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)Попробуйте сами
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())
# Напишите свой код ниже
Все уроки раздела Обучение с учителем
1Ваша первая модель
Обучение на примерахОбучающая и тестовая выборкиОбучение и предсказаниеОценка моделиПовторение: сортировщик семян4Логистическая регрессия
Предсказания «да» или «нет»Порог принятия решенияВеса как свидетельстваНесколько классовПовторение: спам-фильтр2Метод ближайших соседей
Как работает k-NNВыбор kГраницы принятия решенийМасштабирование признаков для поиска соседейПовторение: соседи для вин5Оценка классификаторов
Матрица ошибокТочность и полнотаF1-мераНесбалансированные классыROC-кривыеПовторение: скрининговый тест8Кросс-валидация
K-блочная проверкаСправедливое сравнение моделейПоиск по сеткеПовторение: ремонт скейтбордов11Проект: виды пингвинов
Знакомство с пингвинамиПодготовка данныхВыбор моделиНастройка лучшей моделиЗапуск моделиПотренируйтесь самостоятельно: Онлайн-компилятор Python