KimDongH/spam_dataset_2

该数据集包含五个特征：label（标签，数据类型为int64）、subject（主题，数据类型为string）、message（消息，数据类型为string）、input_ids（输入ID，序列类型为int32）、token_type_ids（token类型ID，序列类型为int8）和attention_mask（注意力掩码，序列类型为int8）。数据集分为三个部分：train（训练集，包含25372个样本，大小为75055573字节）、validation（验证集，包含6344个样本，大小为18107843字节）和test（测试集，包含2000个样本，大小为5822612字节）。总下载大小为46324581字节，总数据集大小为98986028字节。

原始信息汇总

数据集概述

特征信息

• label: 数据类型为 int64
• subject: 数据类型为 string
• message: 数据类型为 string
• input_ids: 序列类型为 int32
• token_type_ids: 序列类型为 int8
• attention_mask: 序列类型为 int8

数据分割

• train: 包含 25372 个样本，占用 75055573 字节
• validation: 包含 6344 个样本，占用 18107843 字节
• test: 包含 2000 个样本，占用 5822612 字节

数据集大小

• 下载大小: 46324581 字节
• 数据集大小: 98986028 字节

配置信息

• config_name: default
  • data_files:
    • train: 路径为 data/train-*
    • validation: 路径为 data/validation-*
    • test: 路径为 data/test-*

搜集汇总

背景与挑战

背景概述

该数据集是一个用于垃圾邮件分类的文本数据集，包含33,716条样本，已划分为训练、验证和测试集。每条数据包含主题、消息内容以及预处理的BERT token序列，标签0表示非垃圾邮件，1表示垃圾邮件，适用于自然语言处理中的二分类任务。