11
Détection de spams
Pipeline complet de classification de messages (spam vs ham) : prétraitement NLP, feature engineering, et comparaison de modèles entre Random Forest et Régression Logistique avec des métriques claires.
Métriques détaillées disponibles
Stack
Que s'est-il passé ?
- 01
La question
Peut-on distinguer un message légitime d'un spam uniquement par son contenu, et avec quelles métriques fiables ?
- 02
Le problème
Le texte brut est du désordre : mots, doublons, bruit. Et un bon modèle sans évaluation honnête, c'est une illusion.
- 03
L'hypothèse
Un pipeline NLP propre (prétraitement + features) suivi d'une comparaison honnête Random Forest vs Régression Logistique donnera un classifieur fiable et mesurable.
- 04
Le build
Pipeline complet de classification : prétraitement, feature engineering, comparaison de modèles avec des métriques claires et reproductibles.
- 05
L'échec
Les premières métriques paraissaient parfaites — jusqu'à remarquer un déséquilibre de classes mal géré qui gonflait artificiellement l'accuracy.
- 06
La découverte
L'accuracy seule ment. Precision, recall, F1 et matrice de confusion racontent la vraie histoire d'un problème de classification.
- 07
Le résultat
Un pipeline reproductible avec des métriques détaillées disponibles, prêt à être ré-entraîné sur d'autres jeux de données.
- 08
La prochaine frontière
Passer à des représentations plus riches (embeddings) et tester des approches plus robustes au bruit.