فایل ورد کامل یادگیری فیلتر کردن هرزه نامه پست الکترونیکی: مقایسه روش های Naive Bayesian و memory-based

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل یادگیری فیلتر کردن هرزه نامه پست الکترونیکی: مقایسه روش های Naive Bayesian و memory-based،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۲ صفحه

۷- نتیجه گیری
در این مقاله ارزیابی کامل دو روش یادگیری فیلتر نمون هرزه نامه را با استفاده از یک مجموعه نوشته که به صورت عمومی وجود دارد و یک مقیاس حساسیت هزینه مناسب انجام داده ایم. هر دو روش به یک دقت دسته بندی بالا می رسند و نسبت به الگوی واژه کلیدی ضد هرزه نامه عملکرد بهتری دارند. روش پیشنهادی ما ساخت فیلتر هرزه نامه را براحتی امکان پذیر می نماید، زمانیکه پیامهای هرزه نامه علامت گذاری شده اند یا مکانیزم اضافی جهت مطلع ساختن فرستنده گان پیام های مسدود شده موجود باشد. اما زمانی که چنین مکانیزمی وجود نداشته باشد روش مبنی بر حافظه مناسب تر است.
ما روش یادگیری پیشنهادی را در موقعیت های متفاوت امتحان کرده ایم، همچنین روش پیشنهادی نشانه انتخابی شامل روش های استخراج اصطلاحات برای تغییر لغات به نشانه های عبارتی را نیز طراحی نموده ایم.

عنوان انگلیسی:Learning to Filter Spam E-Mail: A Comparison of a Naive Bayesian and a Memory-Based Approach~~en~~

۷ Conclusions

We performed a thorough evaluation of two learning methods on the task of anti-spam filtering, using a corpus that we made publicly available, and suitable cost-sensitive evaluation measures. Both methods achieved very high classification accuracy and clearly outperformed the anti-spam keyword patterns of a widely used e-mail reader. Our findings suggest that it is entirely feasible to construct learning-based anti-spam filters when spam messages are simply to be flagged, or when additional mechanisms are available to inform the senders of blocked messages. When no such mechanisms are present, a memory-based approach appears to be more viable, but great care is needed to configure the filter appropriately. We are currently examining alternative learning methods for the same task, including attribute-weighted versions of the memory-based algorithm. We also plan to explore alternative attribute selection techniques, including term extraction methods to move from word to phrasal attributes.

$$en!!