The evolution of technology has brought new challenges and opportunities for the different dimensions of feature space. The higher dimension of the feature space is one of the most critical issues in e-mail classification problems due to accuracy considerations. The problem of finding the subset features that significantly influence the performance of e-mail spam classification has become one of the important challenges. This paper proposes to overcome such a problem, an intelligent approach to Binary Differential Evolution Support Vector Machine (BDE-SVM). The proposed approach enhances the Binary Differential Evolution (BDE) algorithm based on the correlation coefficient as a fitness function to select the significant subset feature evaluated by an SVM classifier. To our best of knowledge, the correlation coefficient as the fitness function has not been used in the differential evolution algorithm before. The selected subset feature is used to assess the most features that contribute to the reliability of the email spam classification. The finding of the enhanced BDE is to present a powerful accuracy. The tests were conducted using “Spambase” and “SpamAssassin.” Identified benchmark datasets are to assess the feasibility of the proposed solution. The result with full-feature accuracy was 93.55 percent compared to the proposed BDE-SVM approach, which is 93.99 percent. Empirical findings also show that our method is capable of effectively increasing the number of features required to enhance the reliability of the email spam classification.

中文翻译：

---

云电子邮件安全：基于增强型二元差分进化 (BDE) 算法的准确垃圾邮件分类

技术的演进给特征空间的不同维度带来了新的挑战和机遇。由于准确性考虑，特征空间的更高维度是电子邮件分类问题中最关键的问题之一。寻找显着影响垃圾邮件分类性能的子集特征的问题已成为重要挑战之一。本文提出了克服这一问题的智能方法，即二进制差分进化支持向量机 (BDE-SVM)。所提出的方法增强了基于相关系数作为适应度函数的二元差分进化 (BDE) 算法，以选择由 SVM 分类器评估的重要子集特征。据我们所知，相关系数作为适应度函数，之前在差分进化算法中没有使用过。选定的子集特征用于评估有助于电子邮件垃圾邮件分类可靠性的大多数特征。增强型 BDE 的发现是为了呈现强大的准确性。测试是使用“Spambase”和“SpamAssassin”进行的。确定的基准数据集用于评估所提议解决方案的可行性。与建议的 BDE-SVM 方法（93.99%）相比，全特征精度的结果为 93.55%。实证结果还表明，我们的方法能够有效地增加提高垃圾邮件分类可靠性所需的特征数量。选定的子集特征用于评估有助于电子邮件垃圾邮件分类可靠性的大多数特征。增强型 BDE 的发现是为了呈现强大的准确性。测试是使用“Spambase”和“SpamAssassin”进行的。确定的基准数据集用于评估所提议解决方案的可行性。与建议的 BDE-SVM 方法（93.99%）相比，全特征精度的结果为 93.55%。实证结果还表明，我们的方法能够有效地增加提高垃圾邮件分类可靠性所需的特征数量。选定的子集特征用于评估有助于电子邮件垃圾邮件分类可靠性的大多数特征。增强型 BDE 的发现是为了呈现强大的准确性。这些测试是使用“Spambase”和“SpamAssassin”进行的。确定的基准数据集用于评估所提议解决方案的可行性。与建议的 BDE-SVM 方法（93.99%）相比，全特征精度的结果为 93.55%。实证结果还表明，我们的方法能够有效地增加提高垃圾邮件分类可靠性所需的特征数量。测试是使用“Spambase”和“SpamAssassin”进行的。确定的基准数据集用于评估所提议解决方案的可行性。与建议的 BDE-SVM 方法（93.99%）相比，全特征精度的结果为 93.55%。实证结果还表明，我们的方法能够有效地增加提高垃圾邮件分类可靠性所需的特征数量。测试是使用“Spambase”和“SpamAssassin”进行的。确定的基准数据集用于评估所提议解决方案的可行性。与建议的 BDE-SVM 方法（93.99%）相比，全特征精度的结果为 93.55%。实证结果还表明，我们的方法能够有效地增加提高垃圾邮件分类可靠性所需的特征数量。