MailGuard AI ตัวตรวจจับสแปม
Loading...
MailGuard AI — Intelligent Email Security
MailGuard AIความปลอดภัยของอีเมลอัจฉริยะ
โมเดลออนไลน์

ข้อมูลเชิงลึกด้านภัยคุกคาม / พื้นที่ทำงานสด

ตรวจจับ อธิบาย ปกป้อง

วิเคราะห์สัญญาณข้อความด้วยตัวจำแนกสแปมที่อธิบายได้ ซึ่งสร้างขึ้นเพื่อการตัดสินใจที่รวดเร็วและมั่นใจ

พร้อมสำหรับการวิเคราะห์0 scans today
01 / INPUT

การวิเคราะห์อีเมล

02 / DECISION

ผลการตรวจจับ

LR · v1.4
0.0%ความน่าจะเป็นของสแปม
Awaiting analysis

ส่งอีเมลเพื่อดูการตัดสินใจของโมเดลและหลักฐานสนับสนุน

ความมั่นใจของโมเดล—
เกณฑ์50%
โมเดลLogistic regression
คะแนนของโมเดล—
03 / SIGNALS

ฟีเจอร์ที่ดึงมา

0
คำที่น่าสงสัย—
—
ตรวจพบลิงก์—
—
ลิงก์ที่น่าสงสัย—
—
ความยาวของอีเมล—
—
จำนวนคำ—
—
ตัวบ่งชี้ความเร่งด่วน—
—
⌁สัญญาณจะปรากฏที่นี่หลังจากการวิเคราะห์
04 / EXPLANATION

หลักฐานการตรวจจับ

เหตุผลที่โมเดลตัดสินใจ
◎ยังไม่มีหลักฐานเรียกใช้การวิเคราะห์เพื่อดูการตัดสินใจที่แบ่งออกเป็นสัญญาณที่ชัดเจน
05 / INSPECT

ไฮไลท์ข้อความ

ใส่คำอธิบายประกอบแล้ว
คำที่น่าสงสัยลิงก์ที่มีความเสี่ยงความเร่งด่วน
ข้อความที่คุณวิเคราะห์จะถูกใส่คำอธิบายประกอบที่นี่
06 / INTERPRETATION

อะไรที่มีอิทธิพลต่อการคาดการณ์?

เกณฑ์มาตรฐานท้องถิ่น + น้ำหนักตามบริบท ไม่รับประกันว่าเป็นคำอธิบายเชิงสาเหตุ
วิเคราะห์อีเมลเพื่อเปรียบเทียบอิทธิพลของฟีเจอร์
07 / MULTIMODAL

การวิเคราะห์ความเสี่ยง

สัญญาณขั้นสูง
วิเคราะห์อีเมลเพื่อระบุความเสี่ยงของข้อความ URL โครงสร้าง และข้อมูลเมตา
08 / CONTENT SIGNALS

ตัวบ่งชี้การฟิชชิงที่ใช้ AI ช่วย

ฮิวริสติก
—ตัวบ่งชี้เนื้อหาที่สร้างโดย AI
—

ตัวบ่งชี้ที่เกี่ยวข้องกับการเขียนอัตโนมัติหรือการเขียนโดยใช้ AI ช่วยไม่ใช่ข้อพิสูจน์ที่ชัดเจนของการเขียนโดย AI

ความเสี่ยงด้านฟิชชิง—

วิเคราะห์อีเมลเพื่อดูสัญญาณการฟิชชิงและเนื้อหาที่สร้างโดย AI แยกกัน

บันทึกการปฏิบัติงาน

ประวัติการวิเคราะห์

ตรวจสอบการจำแนกประเภทล่าสุดและเปิดข้อความใดๆ อีกครั้งเพื่อดูเส้นทางหลักฐาน

0 analyses
เวลาผู้ส่งหัวข้อความน่าจะเป็นผลลัพธ์Open
◌ไม่มีการวิเคราะห์ที่ตรงกับตัวกรองนี้การสแกนที่เสร็จสมบูรณ์ของคุณจะปรากฏที่นี่

การเรียนรู้ของเครื่องที่อธิบายได้

ข้อมูลเชิงลึกของโมเดล

มุมมองที่โปร่งใสว่าสัญญาณคุณลักษณะกลายเป็นความน่าจะเป็นได้อย่างไร

LOGISTIC REGRESSION · V1.4
MODEL FUNCTION

เส้นโค้งการตัดสินใจ Sigmoid

σ(z) = 1 / (1 + e⁻ᶻ)
Sigmoid probability curve with current model score1.00.50.0low scorehigh score50% threshold
คะแนนของโมเดล—
ผลลัพธ์ Sigmoid—
ความน่าจะเป็นที่จะเป็นสแปม—
การจำแนกประเภท—
FEATURE VECTOR

คุณลักษณะอินพุต

X1 · ความถี่ของคำ—
X2 · ความเสี่ยงของลิงก์—
X3 · ความยาวอีเมล—
w1 · vocabulary4.20
w2 · link risk3.10
w3 · length signal0.95
b · intercept−2.10
Weighted score→Sigmoid→Probability→Class
MODEL STORY

พื้นฐาน → การปรับปรุง

โมเดลพื้นฐาน3 คุณลักษณะ

ความถี่ของคำ ความเสี่ยงของลิงก์ และความยาวของอีเมลจะถูกนำไปใช้ในโมเดล sigmoid ที่มีอยู่

→
การประเมินขั้นสูง10+ สัญญาณ

ข้อความ, URL, โครงสร้าง, ข้อมูลเมตา, คำอธิบาย และตัวบ่งชี้เนื้อหาช่วยเพิ่มบริบทโดยไม่แทนที่โมเดลพื้นฐาน

EVALUATION

ตัวชี้วัดของโมเดล

ต้องใช้ชุดข้อมูล
เชื่อมต่อชุดทดสอบที่มีการติดป้ายกำกับเพื่อคำนวณค่าความแม่นยำ (precision), ค่าความระลึก (recall), F1, ROC-AUC และ PR-AUC เมื่อเทียบกับค่าพื้นฐาน ตัวเลขประสิทธิภาพทั้งหมดในเดโมนี้ไม่ได้ถูกสร้างขึ้นมาเอง

พื้นที่การตรวจสอบ

การวิเคราะห์สัญญาณ

มุมมองที่เน้นข้อความล่าสุดและตัวบ่งชี้ที่ดึงออกมา

⌁ยังไม่มีการวิเคราะห์ข้อความแผนผังฟีเจอร์ล่าสุดของคุณจะปรากฏที่นี่หลังจากการสแกน
WORKSPACE

การตั้งค่าพื้นที่ทำงาน

EXPLAINABILITY

ทำไมถึงได้ผลลัพธ์นี้?

วิเคราะห์อีเมลเพื่อสร้างคำอธิบายโมเดลในเครื่อง