نظام آلي لكشف رسائل البريد الإلكتروني المزعجة

💌 نظام آلي لكشف رسائل البريد الإلكتروني المزعجة 📧

تريد شركتك حماية المستخدمين من رسائل البريد الإلكتروني غير المرغوب فيها (spam).
لهذا الغرض، تم اتخاذ قرار ببناء نظام آلي يحدد
رسائل البريد الإلكتروني المزعجة ويفصلها عن الرسائل المشروعة (nonspam).

لقد تلقيت مجموعة من رسائل البريد الإلكتروني المصنفة وتحتاج إلى بناء نموذج
يمكنه تصنيف رسائل البريد الإلكتروني الجديدة.

تم توفير ملفين لك:

• train.csv - رسائل بريد إلكتروني تاريخية مع التصنيف label (spam = 1 / nonspam = 0)
• test.csv - رسائل بريد إلكتروني جديدة، بدون تصنيف

الهدف الرئيسي: التنبؤ باحتمالية أن يكون البريد الإلكتروني مزعجاً (قيمة بين 0 و 1، حيث 0 = غير مزعج بالتأكيد، 1 = مزعج بالتأكيد).

📊 مجموعة البيانات

كل صف يمثل بريد إلكتروني، مع الخصائص التالية:

• sample_id - معرف فريد
• text - محتوى البريد الإلكتروني
• label - فقط في train.csv، 1 (spam)/ 0 (nonspam)

الهدف النهائي: التنبؤ بـ label للصفوف في test.csv.

📝 المهام

أول مهمتين فرعيتين تتحققان من التحليل البسيط لرسائل البريد الإلكتروني.
المهمة الفرعية الأخيرة تقيم نموذج التصنيف.

المهمة الفرعية 1 (10 نقاط)

حدد طول كل بريد إلكتروني كعدد من الأحرف.

اعرض لهذه المهمة الفرعية رقماً صحيحاً.

المهمة الفرعية 2 (15 نقطة)

احسب كم مرة يظهر كلمة free في البريد الإلكتروني.

المهمة الفرعية 3 (75 نقطة)

ابن نموذج تصنيف يتنبأ باحتمالية أن يكون البريد الإلكتروني مزعجاً (p ∈ [0,1]) لكل صف في الاختبار.

يتم التقييم باستخدام منحنى ROC و AUC (المساحة تحت منحنى ROC).

🧮 التقييم

• AUC ≥ 0.95 → 75 نقطة
• AUC ≤ 0.80 → 0 نقطة
• الفترة بينهما: نقاط متناسبة

المهام الفرعية 1-2 يتم تقييمها بدقة (من خلال المقارنة).

📄 تنسيق ملف التقديم

يجب أن يحتوي ملف submission.csv على 3 أسطر لكل صف في الاختبار،
تتوافق مع المهام الفرعية الثلاث.

الهيكل:

1subtaskID, datapointID, answer

حيث:

• subtaskID - 1، 2 أو 3
• datapointID - قيمة sample_id
• answer - يعتمد على المهمة:
  • المهمة الفرعية 1: طول البريد الإلكتروني (رقم صحيح)
  • المهمة الفرعية 2: عدد ظهورات كلمة free (رقم صحيح)
  • المهمة الفرعية 3: احتمالية أن يكون البريد الإلكتروني مزعجاً (رقم حقيقي 0-1)

مثال لـ sample_id = 00042:

1subtaskID,datapointID,answer21,00042,34232,00042,343,00042,0.742

📊 مقياس التقييم: ROC AUC 📈

بالنسبة لـ المهمة الفرعية 3، يتم التقييم باستخدام ROC AUC (المساحة تحت منحنى ROC).
هذا مقياس فريد يلخص أداء المصنف لجميع عتبات القرار الممكنة.

كيف يتم حساب ROC AUC؟

1. يتم رسم منحنى ROC، والذي يمثل:
   • TPR (معدل الإيجابية الحقيقية) - المعدل الصحيح لموافقة الطلبات المعتمدة
   • FPR (معدل الإيجابية الخاطئة) - معدل الطلبات المرفوضة المعتمدة بشكل خاطئ

2. المساحة تحت المنحنى (AUC) يتم حسابها باستخدام قاعدة شبه المنحرف:
   • يتم تقسيم المنحنى إلى أشكال شبه منحرف باستخدام الخطوط العمودية عند قيم FPR والخطوط الأفقية عند قيم TPR
   • يتم جمع مساحات أشكال شبه المنحرف للحصول على القيمة النهائية لـ AUC

3. تفسير النتيجة:
   • ROC AUC = 1 🏆 → مصنف مثالي، جميع الطلبات مصنفة بشكل صحيح
   • ROC AUC = 0.5 🎲 → مصنف عشوائي، بدون قوة تنبؤية
   • 0.5 < ROC AUC < 1 📈 → مدى جودة المصنف في فصل الفئات