Avancement de la classification des spams par e-mail en utilisant les techniques d'apprentissage automatique et d'apprentissage profond

La communication par e-mail est devenue essentielle dans divers secteurs, mais le problème omniprésent des courriels indésirables pose des défis majeurs pour les fournisseurs de services. Cette recherche propose une étude exploitant les techniques d'apprentissage automatique (ML) et d'apprentissage profond (DL) pour classifier efficacement les spams par e-mail. Des méthodes telles que la régression logistique (LR), le Naïve Bayes (NB), la forêt aléatoire (RF) et les réseaux de neurones artificiels (ANNs) sont utilisées pour construire des modèles robustes pour une détection précise des spams. En combinant ces techniques, l'objectif est d'améliorer l'efficacité et la précision de la détection des spams, aidant ainsi les fournisseurs de services de messagerie et IoT à atténuer les effets préjudiciables des spams. L'évaluation des modèles proposés a révélé des résultats prometteurs. LR, RF et NB ont atteint une précision impressionnante de 97 % et un score F1 de 97,5 %, démontrant leur efficacité dans l'identification précise des spams par e-mail. Le modèle ANN a montré une performance légèrement supérieure, avec une précision de 98 % et un score F1 de 97,5 %, suggérant des améliorations potentielles de la précision et de la robustesse dans les systèmes de filtrage des spams. Ces résultats soulignent la viabilité tant des algorithmes ML traditionnels que des approches DL pour relever les défis de la classification des spams par e-mail, ouvrant la voie à des mécanismes de détection des spams plus efficaces dans les plateformes de communication électronique.