
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.creator | Silva, André Hermenegildo Costa | - |
| Autor(es): dc.creator | Lacerda, Wilian Soares | - |
| Autor(es): dc.creator | Silva, Bruno de Abreu | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T11:09:15Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T11:09:15Z | - |
| Data de envio: dc.date.issued | 2018-08-24 | - |
| Data de envio: dc.date.issued | 2018-08-24 | - |
| Data de envio: dc.date.issued | 2017 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/30185 | - |
| Fonte completa do material: dc.identifier | http://seer.ufrgs.br/index.php/reic/article/view/80235 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1134901 | - |
| Descrição: dc.description | The e-mail is one of the most popular communication tool. However, it is not uncommon to find undesired messages in our electronic mail boxes. These messages are known as spams. In a context where more and more messages are sent and received over the world, computational techniques to filter spams have increasingly importance. This paper aims to present two classifiers to filter e-mail messages, which is to identify whether a particular email is spam or not. It was used two machine learning techniques: Support Vector Machine (SVM) and Artificial Neural Network (ANN). For the ANN classifier, we used five different ANNs with Resilient Propagation (Rprop) learning algorithm (Backpropagation variation) and distinct architectures (layers) and settings (learning rate and number of iterations), forming a committee of networks. The two classifiers showed average rates of accuracy of 91.3% and 93.6% respectively. The SVM showed superior results compared to a single specific ANN (depending on architecture), but it was lower in the performance of a committee of ANNs. Furthermore, SVM is faster in training than the committee of ANN. | - |
| Descrição: dc.description | O e-mail é uma das mais populares formas de comunicação. Porém, não é raro encontrar mensagens indesejadas nas caixas de entrada do correio eletrônico. Estas mensagens são conhecidas como spams. Em um contexto onde uma quantidade cada vez maior de mensagens são enviadas e recebidas por todo mundo, técnicas para filtrar automaticamente estas mensagens consideradas como spams são de grande importância. O objetivo deste artigo é apresentar dois classificadores para filtrar mensagens de e-mail indesejadas, isto é, identificar se determinado e-mail é ou não é um spam. Foram utilizadas duas técnicas de aprendizado de máquina: Máquina de Vetor de Suporte (SVM, do inglês SupportVectorMachine) e Rede Neural Artificial (RNA). Para o segundo classificador, utilizou-se 5 (cinco) RNAs do tipo MultilayerPerceptron (MLP) com o algoritmo de aprendizagem ResilientPropagation - Rprop (variação do Backpropagation), com arquiteturas (camadas) e configurações (taxa de aprendizado e número de épocas) distintas, formando um comitê de redes. Os dois classificadores apresentaram taxas médias de acerto de 91,3\% e 93,6\%, respectivamente. Percebeu-se que a técnica de aprendizado SVM apresentou resultados superiores quando comparada a uma única RNA específica (dependendo da arquitetura), porém mostrou-se inferior quanto ao desempenho de um comitê de RNA. Além disso, SVM se mostrou mais rápida na realização do treinamento do que as RNAs. | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Sociedade Brasileira de Computação | - |
| Direitos: dc.rights | restrictAccess | - |
| ???dc.source???: dc.source | Revista Eletrônica de Iniciação Científica em Computação | - |
| Palavras-chave: dc.subject | Spam | - |
| Palavras-chave: dc.subject | Redes neurais | - |
| Palavras-chave: dc.subject | Support vector machine (SVM) | - |
| Título: dc.title | Comparação de desempenho entre máquina de vetor de suporte e comitê de redes neurais artificiais para classificação de spam | - |
| Tipo de arquivo: dc.type | Artigo | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: