我是机器学习的新手，而对于我的第一个项目，我想写一个朴素的贝叶斯垃圾邮件过滤器。我想知道是否有任何公开的标记垃圾邮件/非垃圾邮件的培训集，最好是纯文本而不是关系数据库的转储（除非它们打印那些？）。
我知道这种公开可用的数据库存在于其他类型的文本分类中，特别是新闻文章文本。我只是无法为电子邮件找到同样的东西。
答案 0 :(得分：30)
以下是我要找的内容：http://untroubled.org/spam/
这个档案在1998年至2011年期间有大约1GB的压缩累积垃圾邮件。现在我只需要收到非垃圾邮件。因此，我只需使用getmail程序和mattcutts.com
上的教程查询我自己的Gmail答案 1 :(得分：10)
当然，有Spambase，据我所知，它是机器学习文献中被广泛引用的垃圾邮件数据集。
我多次使用过这个数据集;每次我都对这个数据集的格式化和文档记录付出了多少努力。
Spambase集的一些特征：
4601个数据点 - 全部完成
每个都包含58个功能 （属性）
每个数据点都标有“垃圾邮件”或 '没有垃圾邮件'
约40％被标记为垃圾邮件
的功能，都是连续的 （与离散相对）
代表性功能：平均值 连续的资本顺序 字母
Spambase存档于UCI Machine Learning Repository;此外，Hastie等人也可以在Website上获得优秀的ML /统计计算论文 统计学习要素 。
答案 2 :(得分：8)
SpamAssassin有public corpus垃圾邮件和非垃圾邮件，虽然它在几年内没有更新。阅读readme.html文件以了解其中的内容。
答案 3 :(得分：6)
您可以考虑查看TREC垃圾邮件/火腿语料库（我认为是安然通过法院案件公开的电子邮件集合）。 TREC通常会运行一系列竞争性的文本处理任务，因此它可能会为您提供一些比较参考。
缺点是它们以原始mbox格式存储，尽管有许多语言的解析器（Apache Tika就是一个很好的例子）。
网页不是TREC，但这似乎是对数据链接的完美概述：http://plg.uwaterloo.ca/~gvcormac/spam/
答案 4 :(得分：4)
可以在kaggle找到更现代的垃圾邮件训练集。此外，您可以通过上传结果来测试分类器在其网站上的准确性。
答案 5 :(得分：1)
我还有一个答案，here您可以找到每日更新的贝叶斯数据库进行初始培训，还可以找到包含捕获的垃圾邮件的每日创建存档。您将在网站上找到如何使用它的说明。