Model description
Clasificador binario spam/ham para SMS en ingl茅s: TF-IDF de n-gramas de caracteres (2 a 5, dentro de palabra) y regresi贸n log铆stica con class_weight="balanced". Devuelve la etiqueta y la probabilidad de spam.
Intended uses & limitations
Corpus de SMS en ingl茅s de la d茅cada de 2000. Los errores residuales son spam escrito como conversaci贸n personal, donde el tono pesa m谩s que la URL o el n煤mero que a veces traen; el phishing moderno con tono oficial queda cerca del 50 %. Umbral por defecto 0.5; la probabilidad se devuelve para que quien lo use juzgue los casos cercanos.
Training Procedure
5158 mensajes 煤nicos (4516 ham, 642 spam) tras reconstruir 50 filas partidas por comas y quitar duplicados exactos. Configuraci贸n elegida por validaci贸n cruzada estratificada de 5 pliegues sobre el 80 % de train, comparando MultinomialNB, LogisticRegression y LinearSVC sobre n-gramas de palabras y de caracteres. El modelo publicado se reentren贸 con el 100 %.
Datos: https://www.kaggle.com/datasets/uciml/sms-spam-collection-dataset
Hyperparameters
Click to expand
| Hyperparameter | Value |
|---|---|
| memory | None |
| steps | [('tfidf', TfidfVectorizer(analyzer='char_wb', min_df=2, ngram_range=(2, 5), sublinear_tf=True)), ('clf', LogisticRegression(class_weight='balanced', max_iter=2000))] |
| transform_input | None |
| verbose | False |
| tfidf | TfidfVectorizer(analyzer='char_wb', min_df=2, ngram_range=(2, 5), sublinear_tf=True) |
| clf | LogisticRegression(class_weight='balanced', max_iter=2000) |
| tfidf__analyzer | char_wb |
| tfidf__binary | False |
| tfidf__decode_error | strict |
| tfidf__dtype | <class 'numpy.float64'> |
| tfidf__encoding | utf-8 |
| tfidf__input | content |
| tfidf__lowercase | True |
| tfidf__max_df | 1.0 |
| tfidf__max_features | None |
| tfidf__min_df | 2 |
| tfidf__ngram_range | (2, 5) |
| tfidf__norm | l2 |
| tfidf__preprocessor | None |
| tfidf__smooth_idf | True |
| tfidf__stop_words | None |
| tfidf__strip_accents | None |
| tfidf__sublinear_tf | True |
| tfidf__token_pattern | (?u)\b\w\w+\b |
| tfidf__tokenizer | None |
| tfidf__use_idf | True |
| tfidf__vocabulary | None |
| clf__C | 1.0 |
| clf__class_weight | balanced |
| clf__dual | False |
| clf__fit_intercept | True |
| clf__intercept_scaling | 1 |
| clf__l1_ratio | 0.0 |
| clf__max_iter | 2000 |
| clf__n_jobs | None |
| clf__penalty | deprecated |
| clf__random_state | None |
| clf__solver | lbfgs |
| clf__tol | 0.0001 |
| clf__verbose | 0 |
| clf__warm_start | False |
Evaluation Results
| Metric | Value |
|---|---|
| accuracy (test, 20 % estratificado) | 0.993 |
| precision_spam (test, 20 % estratificado) | 0.984 |
| recall_spam (test, 20 % estratificado) | 0.961 |
| f1_spam (test, 20 % estratificado) | 0.972 |
How to Get Started with the Model
import skops.io as sio
from huggingface_hub import hf_hub_download
path = hf_hub_download(repo_id="JheisonM/spam-sms-tfidf-logreg", filename="model.skops")
model = sio.load(path)
model.predict(["texto de ejemplo"])
Model Card Authors
Jheison Martinez Bolivar
Model Card Contact
- Downloads last month
- -