威胁情报 / 实时工作区

检测。解释。保护。

使用专为快速、自信决策而构建的可解释垃圾邮件分类器来分析消息信号。

准备分析0 scans today

01 / INPUT

邮件分析

02 / DECISION

检测结果

LR · v1.4

0.0%垃圾邮件概率

Awaiting analysis

提交一封电子邮件以显示模型决策及其支持证据。

模型置信度—

阈值50%

模型Logistic regression

模型评分—

03 / SIGNALS

提取的特征

0

可疑词汇—

—

检测到链接—

—

可疑链接—

—

邮件长度—

—

字数统计—

—

紧迫性指标—

—

⌁分析后，信号将显示在此处。

04 / EXPLANATION

检测证据

模型决策原因

◎暂无证据运行分析以查看分解为清晰信号的决策。

05 / INSPECT消息亮点
已标注
可疑词汇高风险链接紧迫性
您分析的消息将在此处进行标注。

06 / INTERPRETATION

什么影响了预测？

本地基准 + 上下文权重，不保证因果解释

分析一封电子邮件以比较特征影响。

07 / MULTIMODAL

风险细分

增强信号

分析电子邮件以映射文本、URL、结构和元数据风险。

08 / CONTENT SIGNALS

AI辅助网络钓鱼指标

启发式

—AI内容指标

—

与自动或AI辅助写作相关的指标并非AI创作的确定性证据。

网络钓鱼风险—

分析一封电子邮件以查看独立的网络钓鱼和AI内容信号。

操作记录

分析历史

查看最近的分类并重新打开任何消息以获取其证据追踪。

时间	发件人	主题	概率	结果	Open

◌没有符合此筛选条件的分析您完成的扫描将显示在此处。

可解释的机器学习

模型洞察

透明地展示特征信号如何转化为概率。

LOGISTIC REGRESSION · V1.4

MODEL FUNCTION

Sigmoid 决策曲线

σ(z) = 1 / (1 + e⁻ᶻ)

模型评分—

Sigmoid 输出—

垃圾邮件概率—

分类—

FEATURE VECTOR

输入特征

X1 · 词频—

X2 · 链接风险—

X3 · 邮件长度—

w1 · vocabulary4.20

w2 · link risk3.10

w3 · length signal0.95

b · intercept−2.10

Weighted score→Sigmoid→Probability→Class

MODEL STORY

基准 → 增强

基准模型3 特征

词频、链接风险和邮件长度为现有的Sigmoid模型提供数据。

→

增强评估10+ 信号

文本、URL、结构、元数据、解释和内容指标在不替换基准的情况下增加了上下文。

EVALUATION

模型指标

需要数据集

连接已标记的测试集以计算基准与增强后的精确率、召回率、F1、ROC-AUC 和 PR-AUC。此演示中不会伪造任何性能数据。

调查画布

信号分析

对最新消息及其提取指标的聚焦视图。

⌁尚未分析任何消息扫描后，您的最新特征图将显示在此处。

MailGuard AI 垃圾邮件检测器