我必须使用一些分类器（例如Naive Bayes，SVM和另一个分类器）进行垃圾邮件检测应用程序并比较它们的效率，但不幸的是我不知道我该怎么做。
这是否正确： 首先，我应该有语料库垃圾邮件，如trec2005，spamassasin或enron-spam。 然后，我进行文本预处理，如词干，停止单词删除，标记化等。
之后，我可以使用tf-idf在垃圾邮件中测量我的功能/条款的权重。 接下来，我以非常低和非常高的频率移除这些功能。 然后我可以对我的电子邮件进行分类。正确？
之后，我可以通过真阳性，假阳性等来衡量我的正确分类。
如果需要10倍的交叉验证？ 我应该如何使用它？
您能告诉我这些电子邮件分类的步骤是否正常？ 如果没有，请解释垃圾邮件分类的正确步骤。
答案 0 :(得分：5)
以下是构建垃圾邮件分类器所需的大致步骤：
1- 输入：标记的培训集，其中包含足够的垃圾邮件和合法电子邮件样本
2- 功能提取：将您的电子邮件文本转换为有用的功能，例如用于培训词干，删除停用词，词频。然后评估这些特征（即应用属性选择方法）以选择最重要的特征。
3-如果您有足够大的数据集，请将其拆分为培训，验证和测试集。如果不是，您可以使用整个数据集进行培训，并进行交叉验证以评估分类器性能
4- 训练您的分类器并使用测试数据来评估其性能或进行交叉验证
5-使用训练有素的模型对新电子邮件进行分类。完成。
交叉验证的使用是评估您在新/未看到的数据上的模型性能。因此，如果您有一个独立的测试数据集，则可能根本不需要交叉验证，因为您可以评估测试数据集上的模型性能。但是，当您的数据集很小时，您可以将其划分为子集（例如10倍），然后重复训练10次，每次只使用90％的数据并测试剩余的10％，依此类推。
最终会得到10个分类器误差平均值的估计值，以得到均方误差或绝对误差