Spam Detection System

1. المكتبات المستخدمة (Imports)

pandas: لقراءة وتحليل بيانات الملفات (spamdataset.csv).

scikit-learn:

CountVectorizer: لتحويل النصوص إلى مصفوفة عداد كلمات (Vectorization) بعد استبعاد الكلمات الشائعة (stop_words='english').

OrdinalEncoder: لترميز التسميات النصية (مثل 'ham' و 'spam') إلى أرقام.

train_test_split: لتقسيم البيانات إلى مجموعة تدريب ومجموعة اختبار.

MultinomialNB: خوارزمية Naive Bayes المستخدمة في تصنيف النصوص والبريد العشوائي.

customtkinter: لإنشاء واجهة مستخدم رسومية حديثة تفاعلية.

2. معالجة البيانات وتدريب النموذج (Model Training Pipeline)

قراءة البيانات: يتم تحميل ملف الـ CSV وتحديد العمودين الأساسيين (v1 للتصنيف و v2 للنص).

معالجة النصوص: تحويل النصوص لتمثيل رقمي باستخدام CountVectorizer.

تدريب النموذج: تقسيم البيانات وتدريب نموذج MultinomialNB على بيانات التدريب.

اختبار سريع: تجربة النموذج على رسالة تجريبية من خلال الأوامر البرمجية وطباعة النتيجة.

3. واجهة المستخدم الرسومية (CustomTkinter GUI)

إعداد النافذة: إنشاء نافذة بعنوان "Spam Detection System" بمقاس

800×900

ومظهر فاتح (Light mode).

العناصر والواجهة:

مربع إدخال (CTkEntry): ليقوم المستخدم بكتابة أو لصق نص الرسالة.

زر إجرائي (CTkButton): باسم "detect" للتحقق من الرسالة، ومرتبط بالدالة gettxt.

عنصر عرض النص (CTkLabel): لعرض نتيجة الفحص.

الدالة التفاعلية (gettxt):

تأخذ النص المدخل من مربع النص.

تقوم بتحويله وتنفيذه عبر النموذج المدرب.

تعرض النتيجة بوضوح:

إذا كان الإدخال فارغاً: تظهر رسالة تنبيه باللون الأحمر.

إذا كانت الرسالة طبيعية (ham): تعرض النتيجة باللون الأخضر.

إذا كانت الرسالة عشوائية/ضارة (spam): تعرض النتيجة باللون الأحمر.