К содержимому

Датасет · ucirvine

Классический корпус SMS-сообщений для фильтрации спама

ucirvine/sms_spam

Набор из 5 574 реальных англоязычных SMS с разметкой на спам и обычные сообщения для задач классификации текста.

Что внутри

Публичная коллекция SMS-сообщений, собранная для исследований мобильного спама. Датасет содержит 5 574 реальных незашифрованных текста на английском языке, каждый из которых отнесён к одному из двух классов: легитимное сообщение (ham) или спам (spam).

Что можно сделать

  • Обучение базовых классификаторов текста для обнаружения спама в мессенджерах и SMS
  • Тестирование и бенчмаркинг лёгких NLP-моделей на задаче бинарной классификации
  • Практика и прототипирование пайплайнов обработки коротких текстовых сообщений
Задачи
Классификация текста
Языки
Английский
Размер
1K–10K записей
Скачиваний за месяц
9 тыс.
Лайков
59

Модели, обученные на нём

Как загрузить

from datasets import load_dataset

ds = load_dataset("ucirvine/sms_spam")