8、垃圾邮件检测与高级加密标准密钥调度算法优化

垃圾邮件检测与高级加密标准密钥调度算法优化

垃圾邮件检测模型评估

为了评估垃圾邮件检测模型的性能，我们使用了一些知名的分类器，如朴素贝叶斯分类器、支持向量机（SVM）、决策树和人工神经网络，在两个数据集上进行训练，并比较了这些分类器的结果。

由于正常邮件的数量明显多于垃圾邮件的数量，仅使用准确率不能很好地评估分类器的性能。因此，我们还使用了精确率、召回率和 F1 分数，连同准确率一起作为性能指标来比较我们的模型和其他分类器。这些指标的计算公式如下：
- 准确率（A）= (TP + TN) / (TP + TN + FN + FP)
- 精确率（P）= TP / (TP + FP)
- 召回率（R）= TP / (TP + FN)
- F1 分数 = 2 * P * R / (P + R)

其中，TP 表示真正例，TN 表示真反例，FP 表示假正例，FN 表示假反例。

以下是两个数据集上不同分类器的性能指标表格：
| 数据集 1 分类器 | 准确率（%） | 精确率 | 召回率 | F1 分数 |
| — | — | — | — | — |
| 支持向量机 | 98.08 | 0.962 | 0.882 | 0.920 |
| 朴素贝叶斯 | 98.30 | 0.940 | 0.920 | 0.930 |
| 决策树 | 96.41 | 0.888 | 0.826 | 0.856 |
| 人工神经网络 | 98.56 | 0.974 | 0.925 | 0.949 |
| LSTM | 97.22 | 0.966 | 0.959 | 0.962 |