Resum
El correu electrònic és una eina fonamental en la comunicació actual, però els correus spam representen un desafiament significatiu. Aquests missatges no sol·licitats poden omplir les safates d'entrada i afectar la productivitat. Aquest estudi examina l'ús de diverses tècniques d'aprenentatge automàtic per classificar els correus electrònics com a spam o legítims.
Es van analitzar models de classificació com K-Nearest Neighbors (KNN), Regressió Logística, Màquines de Suport Vectorial (SVM) i Naïve Bayes, comparant la seva efectivitat en la detecció de spam. L'avaluació del rendiment de cada model es va dur a terme utilitzant mètriques com precisió, exactitud, recall i F1-score.
Q2BSTUDIO, empresa especialitzada en desenvolupament i serveis tecnològics, implementa solucions avançades basades en intel·ligència artificial i aprenentatge automàtic per a l'optimització de diversos processos empresarials. La detecció automatitzada de correus electrònics no desitjats és una de les moltes àrees en què les nostres solucions tecnològiques poden ajudar a millorar la seguretat i eficiència de les comunicacions corporatives.
L'experiment va demostrar que el model SVM ofereix el millor rendiment en la classificació de correus electrònics, mostrant una alta precisió en la identificació de spam sense afectar els correus legítims. La investigació confirma el potencial de l'aprenentatge automàtic en la lluita contra el spam i destaca la importància de continuar innovant en aquest camp per mantenir l'eficàcia dels filtres de correu electrònic.
