주제 선정 이유 및 목적 : 정보 보안 관련 주제를 찾다가 스팸 분류하는것에서 부터 시작하면 좋을 것 같아 프로그램 주제로 선정
프로젝트 개요 : 이메일 중 스팸 내용을 가진 이메일과 회사에서든 일상적으로 주고 받는 햄 이메일을 분류하기
가장 기본적인 데이터를 가지고 전처리를 진행하였다.
그 다음 데이터 전처리가 잘 됐는지 확인 한 후
모델로 잘 학습시키는 과정이다.
처음은 RNN 모델을 사용하였다.
모델은 AveragePooling의 장점은 크게 세가지로 나뉜다
첫 번쨰는 모델 복잡성 감소시킨다. Average Pooling은 입력 피처 맵의 크기를 줄여 모델의 파라미터 수를 감소시킵니다. 이는 모델의 복잡성을 줄여 과적합을 방지하는 데 도움이 됩니다.
두 번째는 과적합 완화입니다. 다운샘플링을 통해 불필요한 세부 사항을 제거하고 중요한 특징을 강조합니다. 이는 훈련 데이터에 너무 과하게 맞추는 것을 방지하여 일반화 성능을 향상시킵니다.
세 번째는 특징 강조입니다. Average Pooling은 지역적인 평균값을 계산하므로, 이미지의 국소적인 특징을 더 잘 보존합니다. 이는 중요한 정보가 사라지지 않도록 합니다.
이러한 이유로 AveragePooling 모델을 사용하였습니다.
그렇기에 모델 AveragePooling을 사용하였다.
데이터 셋 출처 : https://www.kaggle.com/uciml/sms-spam-collection-dataset
결과 : 
중간 평가 이후 개선한 점 :
- 그래프의 모양이 심각하게 오버피팅이 난 모습
--> 오버피팅을 해결하고 성능도 높이는 방향으로 진행
--> 성능은 줄어들었지만 그래프의 모양이 많이 개선 됨
아쉬웠던 점 : 열심히 한 것 만큼 결과가 좋지 않았고 오버피팅과 성능을 둘 다 확인하며 높이려니 쉽지 않았다.
추후 개선 사항 : accuracy의 값을 더 올리고 그래프의 모양도 조금 더 이쁘게 잡아보고 싶다.