摘要：垃圾郵件的檢測和識別對改善互聯網環境，提升人們工作生活質量具有重要意義。垃圾郵件數據集由600封電子郵件數據組成，它包括100個輸入變量和1個輸出變量。輸出0代表正常郵件，1代表垃圾郵件。本課題采用了三種經典的機器學習算法邏輯回歸、樸素貝葉斯、隨機森林對垃圾郵件數據集進行了機器學習，并通過10折交叉驗證評估了模型的學習效果。實驗結果證明，邏輯回歸和隨機森林兩種算法的表現要優于樸素貝葉斯算法。

關鍵詞：機器學習  垃圾郵件檢測  人工智能  邏輯回歸  樸素貝葉斯  隨機森林

目錄

摘要

Abstract

1-引言-1

1.1課題研究背景-1

1.1.1垃圾郵件的產生-1

1.1.2垃圾郵件的危害-1

1.2課題研究的現實意義與應用前景-2

2-機器學習工具與算法選擇-4

2.1機器學習工具-4

2.2算法選擇-4

2.2.1邏輯回歸-5

2.2.2樸素貝葉斯-5

2.2.3隨機森林-6

3-實驗設計與結果-8

3.1數據預處理-8

3.1.1導入標準庫和數據集-8

3.1.2處理重復數據與缺失數據-9

3.1.3特征縮放-10

3.2算法實現和結果-12

3.2.1邏輯回歸的實現與結果-12

3.2.2樸素貝葉斯的實現與結果-15

3.2.3隨機森林的實現與結果-16

3.3基于本章實驗的一些思考-17

4-K折交叉驗證與結果比較-19

4.1 K折交叉驗證與K值選擇-19

4.2 10折交叉驗證算法實現-20

4.3結果比較-22

結語-24

參考文獻-25

致謝-26