我是机器学习的新手，我的第一个项目是编写一个朴素贝叶斯垃圾邮件过滤器。我想知道是否有任何公开可用的标记为垃圾邮件/非垃圾邮件的电子邮件训练集，最好是纯文本格式，而不是关系数据库的转储（除非它们是美观打印的？）。

我知道对于其他类型的文本分类，例如新闻文章文本，确实存在这样的公开数据库。我只是没能找到针对电子邮件的类似资源。

回答：

这就是我所寻找的： http://untroubled.org/spam/

这个档案包含了从1998年到2011年大约一吉字节的压缩垃圾邮件信息。现在我只需要获取非垃圾邮件。我将使用getmail程序查询我的Gmail，并使用mattcutts.com上的教程来完成这个任务。