随着科技的进步,短信、邮件成我们生活不可缺少的一部分,信息技术在不断改变着我们的生活,让我们的生活更方便,与此同时我们也常遭受它带给我们的各种困扰。在日常生活中我们会收到各种各样的短信和邮件,其中就包括垃圾短信、邮件,这些垃圾短信、邮件可能存在一定的攻击,给我们信息、财产安全带来威胁,人们在不断尝试使用现有的技术对这些垃圾进行识别,希望得到比较高的准确率。对垃圾短信、邮件的识别其实是一种文本挖掘,对于文本挖掘,文本处理和分类技术都是特别重要的,本文主要是从这两方面出发的。在文中,我们首先对文本数据的处理方法做了介绍,其中包括特征词集合选取、特征词集合空间向量模型的构造;然后,对Logistic、支持向量机、朴素贝叶斯、决策树、k近邻以及组合分类方法的原理作了阐述,并对这些方法中的重点问题作了介绍,同时针对本文使用的短信文本数据是不平衡的问题,在文中介绍了不平衡问题分类器预测效果评价的可选度量,如准确率、召回率、真正率等;最后,使用来自于 https://www.kaggle.com/uciml/sms-spam-collection-dataset 的英文短信文本数据,建立特征词的空间向量模型,应用文中的分类方法,建立各种分类器,通过十次交叉验证比较各种分类器预测效果的好坏。对于分类器预测效果的比较,本文主要采用准确率、正常短信的召回率、垃圾短信的召回率三个指标作为评断标准。通过比较我们发现各种分类器准确率和正常短信的召回率都很高而且几乎没有差别,但垃圾短信的召回率存在较大差异,其中朴素贝叶斯的最高,k近邻的最小,综合以上,我们可以得出对于文中文本数据朴素贝叶斯的分类器预测效果最好,k近邻分类器的预测效果最差。这个结论与朴素贝叶斯在实际中的主要应用是电子邮件过滤以及文本分类相符,同时还说明对于不平衡问题k近邻并不适用。