该假新闻检测系统被分为多个阶段，以实现新闻真伪的高效分类。系统流程包括数据收集、数据预处理、特征提取、特征选择和机器学习模型的实现等步骤。通过将各个环节隔离并运用数据挖掘技术，系统可准确预测新闻的真实性，并计算出新闻属于预测标签的概率。

在模型实施过程中，使用了SVM、逻辑回归、朴素贝叶斯和随机森林等多种机器学习模型，并基于准确性、f1得分、精度和召回率等指标对模型的性能进行了比较。系统采用f1得分作为主要决策指标，以实现精度与召回率间的平衡。在各模型的训练和调整后，通过投票分类器将这些模型整合为集成分类器，实现标签的预测和分类概率的输出，并采用软投票方法做出最终预测。

系统步骤：

1. 数据收集：为实施和测试该系统，使用了William Yang Wang的“Liar, Liar Pants on Fire”数据集作为基准。

2. 数据预处理：包括去噪、清洗和格式化数据，为模型训练提供高质量的数据输入。

3. 特征提取与选择：提取并筛选与新闻真假判别高度相关的特征，以提升模型性能。

4. 模型训练和集成：使用多种机器学习模型的组合进行训练并最终采用软投票法做出预测。

本系统在准确性与性能评估方面展示了出色的效果，为假新闻检测提供了一种高效解决方案。