# Spam-classifier
Задача: бинарная классификация писем "спам/не спам".
Алгоритмы обучения: логистическая регрессия и многослойный персептрон.
Данные: http://archive.ics.uci.edu/ml/machine-learning-databases/spambase/spambase.data.
Лучший результат для логистической регрессии - accuracy: 0.944625407166, для персептрона - accuracy: 0.948968512486. В целом результаты обучения персептрона лучше, чем логистической регрессии.
spam_log-regr_and_nn.py - классификатор, включающий в себя и логистическую регрессию, и персептрон.
spambase.data.txt - данные.
tests.py - тесты для некоторых методов классификатора.
spam_lr.py - классификатор на основе логистической регрессии.