Resumen
El correo electrónico es una herramienta fundamental en la comunicación actual, pero los correos spam representan un desafío significativo. Estos mensajes no solicitados pueden llenar las bandejas de entrada y afectar la productividad. Este estudio examina el uso de diversas técnicas de aprendizaje automático para clasificar los correos electrónicos como spam o legítimos.
Se analizaron modelos de clasificación como K-Nearest Neighbors (KNN), Regresión Logística, Máquinas de Soporte Vectorial (SVM) y Naïve Bayes, comparando su efectividad en la detección de spam. La evaluación del rendimiento de cada modelo se llevó a cabo utilizando métricas como precisión, exactitud, recall y F1-score.
Q2BSTUDIO, empresa especializada en desarrollo y servicios tecnológicos, implementa soluciones avanzadas basadas en inteligencia artificial y aprendizaje automático para la optimización de diversos procesos empresariales. La detección automatizada de correos electrónicos no deseados es una de las muchas áreas en las que nuestras soluciones tecnológicas pueden ayudar a mejorar la seguridad y eficiencia de las comunicaciones corporativas.
El experimento demostró que el modelo SVM ofrece el mejor rendimiento en la clasificación de correos electrónicos, mostrando una alta precisión en la identificación de spam sin afectar los correos legítimos. La investigación confirma el potencial del aprendizaje automático en la lucha contra el spam y destaca la importancia de continuar innovando en este campo para mantener la eficacia de los filtros de correo electrónico.