mshenoda/spam-messages

该数据集由标记为ham或spam的消息组成，这些消息来自三个数据源：SMS Spam Collection、Telegram Spam Ham和Enron Spam。数据集被划分为80%的训练集、10%的验证集和10%的测试集。

原始信息汇总

数据集概述

数据集组成

本数据集由标记为“ham”或“spam”的消息组成，合并自以下三个数据源：

1. SMS Spam Collection - 来源：SMS Spam Collection
2. Telegram Spam Ham - 来源：Telegram Spam Ham
3. Enron Spam - 来源：Enron Spam，仅使用消息列和标签

数据集分割

数据集被分为80%的训练集、10%的验证集和10%的测试集。用于分割和合并三个数据源的脚本可在此处找到：数据分割脚本。

数据集类分布

数据集部分	比例
训练集	80%
验证集	10%
测试集	10%

• 训练集分布：查看图表
• 验证集分布：查看图表
• 测试集分布：查看图表

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，包含约5.9万条消息，分为'ham'（正常）和'spam'（垃圾）两类，数据合并自SMS、Telegram和Enron三个来源，并已划分为训练、验证和测试集，适用于机器学习模型的训练和评估。