Ensemble Learning Approaches for SMS Spam Detection: A Comparative Study of Text Classification Models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
For users who rely on single-use mobile phones, the global problem of receiving unwanted marketing messages through SMS remains a significant concern. In recent years, extensive use of machine learning and deep learning approaches has been explored to address this challenge. To improve predictive accuracy, the outputs of multiple models were combined using a majority-voting strategy. This work presents a comparative analysis of several text classification techniques, highlighting the importance of reliably identifying and labeling spam SMS messages. After data preprocessing, messages were transformed into numerical representations using TF-IDF, which emphasizes uncommon but informative terms over frequent ones. Among the tested methods, the Relevance Vector Machine achieved the strongest performance in the data, reaching an F1 is 0.975176. In addition, this examined alternative spam detection algorithms, including Logistic Regression, XGBoost, and LightGBM. The preprocessing pipeline included duplicate removal, text normalization with spaCy, label encoding, and TF-IDF vectorization. Two experimental conditions were evaluated: one without handling class imbalance and another with imbalance adjustment. Results showed that ensemble-based methods, particularly Gradient Boosting, XGBoost, and LightGBM, consistently delivered superior performance. Under imbalanced data conditions, both XGBoost and LightGBM achieved F1 scores of 0.99 across the majority and minority classes. When class imbalance was corrected, their performance remained strong, with F1 scores of 0.98 for all classes. Logistic Regression also demonstrated robust results, confirming its role as a reliable baseline. Overall, the findings indicate that the proposed RVM framework is effective for SMS spam classification and has practical applicability in real-world scenarios.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle