- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI机器学习与深度学习算法
学习分类 2-5 线性可分
显然，实际处理的分类任务大多数不可能仅使用一条直线将其区分开的，这也是为什么说感知机不会应用到实际的问题中。 单层感知机是一个很弱的模型，只能处理线性可分的分类问题，但是堆叠多个单层感知机的多层感知机能够处理非线性可分的分类问题。多层感知机就是所谓的神经网络。
56410编辑于 2022-11-08 - 来自专栏深蓝居
使用Outlook对邮件进行分类
我加入了公司的一个技术讨论组，结果每天差不多就有100来封邮件，相比以前我每天也就是几封而已。邮件太多了就有点看不过来，接下来遇到的问题就是我们部门的邮件些容易被淹没在讨论组100多封的邮件中。 所以我希望能够系统自动将邮件分组，所有收件人地址为讨论组的邮件自动转移到另外一个文件夹中。 我相信Outlook应该有这个功能，但是一直不知道怎么设，我也问过几个同事，他们都不知道。 直到前天在办公室看到梁振的邮件分成了很多个文件夹，我就知道他肯定知道怎么设置。果然，梁振就是强，对微软的产品十分熟悉，两三下帮我搞定了。 运行后邮件完全通过规则分开了，部门的邮件就不会被大量的讨论组的邮件给淹没了。如图：
3.1K10编辑于 2022-06-16 - 来自专栏悟道
2-5 快速幂模板
这个就是在快速乘的基础上改一下 sum=0--->sum=1 x+=x--->x*=x //快速幂模板 public double quickPow(double x,long y){ double sum=1; while(y>0){ if((y&1)==1){ sum*=x; } x*=x; y=y>>1; }
33720发布于 2021-06-01 - 来自专栏图像处理与模式识别研究所
基于支持向量机的电子邮件垃圾邮件分类。
ex6.m %% Machine Learning Online Class % Exercise 6 | Support Vector Machines % % Instructions % ------------ % % This file contains code that helps you get started on the % exercise. You will need to complete the following functions: % % gau
79230编辑于 2022-05-28 - 来自专栏HHTjim'S 部落格
利用 LLM 自动分类Gmail邮件汇总
利用 LLM 自动分类Gmail邮件汇总 作者：matrix 被围观: 14 次 发布时间：2025-04-30 分类：零零星星 | 无评论 » 我邮箱订阅了很多博客或者 dev 相关的通知， 但又不想退订 咋整 有邮件汇总服务就完美了，能自动分类和汇总, 标记已读和label。 = "[script.google]AI汇总" //汇总的分类名 const MAX_EMAILS_PER_BATCH = 5; // 每次最多汇总邮件数 5 const MAX_EMAILS_BATCH 标记邮件为特定分类（标签） limitedThreads.forEach(thread => { // 获取或创建标签 const labelName = LABEL_NAME ，也就是 Gmail 输入框的文本 LABEL_NAME 标记已读后需要移动到的分类名 测试运行 第一次运行会有 Google 应用的授权提示，允许即可。
77000编辑于 2025-05-01 - 来自专栏Michael阿明学习之路
SpamHam Email Classification 垃圾邮件分类（BERT）
提交测试结果 练习地址：https://www.kaggle.com/c/ds100fa19 相关博文： [Kaggle] Spam/Ham Email Classification 垃圾邮件分类（ spacy） [Kaggle] Spam/Ham Email Classification 垃圾邮件分类（RNN/GRU/LSTM） 本文使用 huggingface 上的预训练模型，在预训练模型的基础上 ，使用垃圾邮件数据集，进行训练 finetune，在kaggle提交测试结果 本文代码参考了《自然语言处理动手学Bert文本分类》 1.
2.1K20发布于 2021-02-19 - 来自专栏Michael阿明学习之路
SpamHam Email Classification 垃圾邮件分类（RNNGRULSTM）
测试 练习地址：https://www.kaggle.com/c/ds100fa19 相关博文 [Kaggle] Spam/Ham Email Classification 垃圾邮件分类（spacy ） [Kaggle] Spam/Ham Email Classification 垃圾邮件分类（BERT） 1. print(np.sum(np.array(test.isnull()==True), axis=0)) 填充完成，显示 sum = 0 [0 0 0 0] [0 0 0] y 标签 只有 0 不是垃圾邮件 ， 1 是垃圾邮件 print(train['spam'].unique()) [0 1] 2. 文本处理 邮件内容和主题合并为一个特征 X_train = train['subject'] + ' ' + train['email'] y_train = train['spam'] X_test
99920发布于 2021-02-19 - 来自专栏foochane
词嵌入+神经网络进行邮件分类
1 问题描述 问题：邮件分类问题（Email classification） 任务：将邮件分为两类(spam or ham) 数据集：https://www.kaggle.com/uciml/sms-spam-collection-dataset 0.92 150 avg / total 0.98 0.98 0.98 1115 文章来源: foochane Blog：词嵌入+神经网络进行邮件分类
68920发布于 2019-05-23 - 来自专栏Michael阿明学习之路
SpamHam Email Classification 垃圾邮件分类（spacy）
预测 练习地址：https://www.kaggle.com/c/ds100fa19 相关博文： [Kaggle] Spam/Ham Email Classification 垃圾邮件分类（RNN/ GRU/LSTM） [Kaggle] Spam/Ham Email Classification 垃圾邮件分类（BERT） 1. 特征组合 对邮件的主题和内容进行组合 + 处理标签 train['all'] = train['subject']+train['email'] train['label'] = [{"spam": bool config= # { # "exclusive_classes": True, # 排他的，二分类
1.4K10发布于 2021-02-19 - 来自专栏人工智能头条
机器学习做中文邮件内容分类，准确识别垃圾邮件，真香！
但是不管是企业内部工作邮箱，还是个人邮箱，总是收到各种各样的垃圾邮件，包括商家的广告、打折促销信息、澳门博彩邮件、理财推广信息等等，不管如何进行垃圾邮件分类，总有漏网之鱼。 因此打算针对同一数据集，逐步尝试各种方法，来进行垃圾邮件的识别分类——希望假以时日，这种定制化的垃圾邮件识别工具能大幅提升用户的邮箱使用体验。 因此我们依次对上述要素进行分析： 垃圾邮件内容分类（通过提取垃圾邮件内容进行判断） 中文垃圾邮件分类 英文垃圾邮件分类 垃圾邮件标题分类 垃圾邮件发送方分类 最终，我们可以根据这三个维度进行综合评判，从而实现垃圾邮件的准确分类 本文将根据邮件内容进行垃圾邮件分类。 中文邮件内容分类实现步骤 1、数据集介绍首先我们选择TREC 2006 Spam Track Public Corpora这一个公开的垃圾邮件语料库。 文件目录形式：delay和full分别是一种垃圾邮件过滤器的过滤机制，full目录下，是理想的邮件分类结果，我们可以视为研究的标签。
2.1K20编辑于 2022-03-03 - 来自专栏机器学习AI算法工程
python实现朴素贝叶斯模型:文本分类+垃圾邮件分类
三 实战1 -文本分类（应用过滤恶意留言等） 下面是二分类问题，文档只能属于0和1两个类别， 1 载入数据集：6条文本及它们各自的类别，这6条文本作为训练集。 ? 5 分类：根据计算后，哪个类别的概率大，则属于哪个类别。 ? 改进方法：采用词袋模型，见下面垃圾邮件分类实战。 四 实战2-垃圾邮件分类 1 对邮件的文本划分成词汇，长度小于2的默认为不是词汇，过滤掉即可。返回一串小写的拆分后的邮件信息。 3 输入为25封正常邮件和25封垃圾邮件。50封邮件中随机选取10封作为测试样本，剩余40封作为训练样本。 训练模型：40封训练样本，训练出先验概率和条件概率； 测试模型：遍历10个测试样本，计算垃圾邮件分类的正确率。 ?
2.8K71发布于 2018-03-14 - 来自专栏拓端tecdat
weka文本挖掘分析垃圾邮件分类模型
WEKA文本分词预处理 首先对于训练集文件夹中的两类邮件文档进行分析，可从不同角度自动化分析两类文件特征，编写算法，构建分类模型。 首先设置工作目录，并且读取分类后的文本文件 可以看到垃圾邮件和非垃圾邮件的频数直方图 ? ? 然后对得到的原始语料进行分词处理 得到词频矩阵文件 ? 得到各个词频的分类直方图 ? 得到词频矩阵后 对数据进行分类器的建模 2. 找出区分positive和negative的分类规则（即哪些词在一起出现的时候会导致分类器判断的结果为positive，哪些词在一起出现的时候会导致分类器判断的结果为negative） 从结果可以看出cell WEKA文本分词结果比较 下面得到每个分类器的准确度和混淆矩阵： NaiveBayes 结语 基于判别方法的垃圾邮件过滤在现代研究中引起比较少的关注 ，结果很清楚地表明,基于随机森林、SVM模型的分类方法相对于传统的方法
1K21发布于 2020-09-23 - 来自专栏简书专栏
基于jieba、TfidfVectorizer、LogisticRegression的垃圾邮件分类
generated/sklearn.feature_extraction.text.TfidfVectorizer.html LogisticRegression中文叫做逻辑回归模型___，是一种基础、常用的分类方法 0.打开jupyter 在桌面新建文件夹命名为基于TfidfVectorizer的垃圾分类，如下图所示: ? image.png 打开基于TfidfVectorizer的垃圾邮件分类文件夹，在按住Shift键的情况下，点击鼠标右键，出现如下图所示。 篇幅有限，本文作者只演示其中一篇邮件的内容。 通过查看多篇邮件的内容，发现邮件头和邮件内容以一个空行分隔。 在代码中找到第一个\n\n分隔成2段，第1段为邮件头，第2段为邮件内容。 ? 最后在全部样本的f1-score指标为0.98，总体来说这个分类模型较优秀，能够投入实际应用。
1.6K20发布于 2018-10-09 - 来自专栏Hank’s Blog
2-5 R语言基础 factor
#因子：分类数据 #有序和无序 #整数向量+标签label #Male/Female #常用于lm(),glm() > x <- factor(c("female","female","female",
41910发布于 2020-09-16 - 来自专栏Deep learning进阶路
2-5 线性表之循环链表
2-5 线性表之循环链表 循环链表就是链表首尾相接连成一个环，可以用单链表 和 循环链表来实现。
41540发布于 2019-07-02 - 来自专栏刷题笔记
2-5 Two Stacks In One Array (20 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/101173005 2-5 Two Stacks In One Array (20 分) Write
72830发布于 2019-11-08 - 来自专栏NetCore 从壹开始
2-5 安装容器Web工具：Docker Portainer
现在已经习惯了容器化了，不仅可以很快的配合CICD来实现部署，同时主要是也能解决一些疑难杂症，比如在Linux中经常会有各种图形图像的依赖包问题。特别是内网环境。
96220编辑于 2023-01-09 - 来自专栏刷题笔记
2-5 修理牧场 (35 分)【优先队列】
2-5 修理牧场 (35 分) 农夫要修理牧场的一段栅栏，他测量了栅栏，发现需要N块木头，每块木头长度为整数Li个长度单位，于是他购买了一条很长的、能锯成N块的木头，即该木头的长度是Li的总和
1K10发布于 2020-06-23 - 来自专栏简书专栏
基于tensorflow+CNN的垃圾邮件文本分类
文本分类是NLP（自然语言处理）的经典任务。 893d622d1b5a 3.下载并解压数据集 数据集下载链接: https://pan.baidu.com/s/10QtokJ8_tkK6I3GifalxWg 提取码: uytb 压缩文件CNN垃圾邮件分类中有 方法加载； 3.mailLabel_list.pickle文件是本文作者处理好的邮件标签文件，可以用pickle.load方法加载。 数据集中共有2种分类：垃圾邮件用spam表示，正常邮件用ham表示。 垃圾邮件样本40000多条，正常邮件样本20000多条，样本总共60000多条。 2.分类模型的评估指标F1score为0.994左右，总体来说这个分类模型很优秀，能够投入实际应用。
2.1K30发布于 2018-10-18 - 来自专栏育种数据分析之放飞自我
笔记 | GWAS 操作流程2-5：杂合率检验
一般自然群体，基因型个体的杂合度过高或者过低，都不正常，我们需要根据杂合度进行过滤。偏差可能表明样品受到污染，近亲繁殖。我们建议删除样品杂合率平均值中偏离±3 SD的个体。
2.3K20发布于 2020-04-27
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号