Preditor de e-mails SPAM: um framework preditivo de alta precisão com machine learning

Abstract

O presente trabalho propõe desenvolver um modelo de aprendizado

de máquina para classificar e-mails como SPAM ou HAM (não SPAM). Consi- derando a relevância crescente do problema dos e-mails indesejados no tráfego

global de dados, a pesquisa busca criar uma solução que otimize recursos com- putacionais e auxilie empresas de marketing digital. Utilizando Python, o es- tudo foi fundamentado na aplicação de Regressão Logística e Naïve Bayes para

analisar o conteúdo dos e-mails, buscando promover práticas mais sustentáveis

de marketing digital, reduzindo o impacto das comunicações indesejadas e pre- servando a reputação dos remetentes. Os resultados demonstraram a superio- ridade do algoritmo de Regressão Logística, que alcançou precisão consistente

entre 97% e 99% nos diferentes datasets analisados, evidenciando robustez me- todológica e viabilidade técnica para implementação de filtros automatizados

de SPAM em ambientes corporativos de larga escala.

This paper proposes the development of a machine learning model to

classify emails as SPAM or HAM (not SPAM). Considering the growing rele- vance of unwanted emails in global data traffic, the research aims to develop a

solution that optimizes computational resources and supports digital marketing companies. Using Python, the study was based on the application of Logistic Regression and Naïve Bayes to analyze email content, aiming to promote more

sustainable digital marketing practices, reducing the impact of unwanted com- munications, and preserving the sender reputation. The results demonstrated

the superiority of the Logistic Regression algorithm, which achieved consistent accuracy between 98% and 99% in the different datasets analyzed, evidencing methodological robustness and technical feasibility for the implementation of automated SPAM filters in large-scale corporate environments.