The method users five well-known al

The method users five well-known algorithms to induce the spam classifiers: Random Forest (RF), BAGGING, ADABOOSTM1, Support Vector Machine (SVM), and Naïve Bayes (NB). Evaluating effectiveness of the classifier found that BAGGING performs the best. Moreover, the performance surpasses a number of state-of-the-art methods proposed in previous studies. Although applied only to English language e-mails, the results indicate that this method may be an excellent means to classify spam e-mails in other languages as well. The reason of choosing algorithms Random Forest (RF) is the spam detection has high accuracy and learns quickly, the operational algorithm is suitable for a large number of data.The secondary algorithm as an ensemble learning method is called ADABOOSTM1. Although an ensemble method, ADABOOSTM1 is both simple and fast. The biggest advantage of this ensemble method is that is less susceptible to training data over fit. The algorithm has been reported perform better then Naïve Bayes (NB) and Probabilistic TF-IDF for text categorization tasks. Support Vector Machine (SVM) is also a popular learning algorithm for spam detection, but is evident that the performance of SVM is better with header features than with text features. Naïve Bayes (NB) is a widely-used learning algorithm. In the anti-spamming community use NB to generate classifiers because the algorithm is simple yet powerful enough to detect spams effectively

ผลลัพธ์ (ไทย) 1:

วิธีผู้ใช้ห้ารู้จักขั้นตอนวิธีการเพื่อก่อให้เกิดการคำนามภาษาสแปม: ป่าสุ่ม (RF), เถื่อน ๆ ADABOOSTM1 เครื่องเวกเตอร์สนับสนุน (SVM), และไร้เดียงสา Bayes (NB) ประเมินประสิทธิผลของการจำแนกพบว่า เถื่อน ๆ ทำดีที่สุด นอกจากนี้ ประสิทธิภาพการทำงานเกินกว่าจำนวนของศิลปะของวิธีที่นำเสนอในการศึกษาก่อนหน้านี้ แม้ใช้เฉพาะกับอีเมล์ภาษาอังกฤษ ผลลัพธ์บ่งชี้ว่า วิธีการนี้อาจจะเป็นวิธีที่ยอดเยี่ยมในการแบ่งประเภทอีเมล์สแปมในภาษาอื่นเช่น เหตุผลของการเลือกอัลกอริทึมแบบสุ่มป่า (RF) เป็นการตรวจจับสแปมมีความแม่นยำสูง และเรียนรู้ได้อย่างรวดเร็ว อัลกอริทึมการทำงานเหมาะกับจำนวนข้อมูลขนาดใหญ่ อัลกอริทึมรองเป็นวิธีการเรียนรู้วงดนตรีเรียกว่า ADABOOSTM1 แม้ว่าวิธีการ ensemble, ADABOOSTM1 ทั้งง่าย และรวดเร็ว ข้อดีของวิธีนี้วงดนตรีที่ใหญ่ที่สุดคือ ที่เป็นน้อยไวต่อข้อมูลการฝึกอบรมผ่านพอดี อัลกอริทึมมีการรายงานการทำงานดีขึ้นนั้นไร้เดียงสา Bayes (NB) และน่าจะ TF-IDF สำหรับงานประเภทข้อความ เครื่องเวกเตอร์สนับสนุน (SVM) เป็นขั้นตอนการเรียนรู้ยอดนิยมสำหรับการตรวจจับสแปม แต่เห็นได้ชัดว่า ประสิทธิภาพของ SVM จะดีกว่า ด้วยคุณสมบัติหัวกว่าด้วยคุณสมบัติข้อความ ไร้เดียงสา Bayes (NB) เป็นอัลกอริทึมการเรียนรู้ที่ใช้กันอย่างแพร่หลาย ในการป้องกันสแปมชุมชนใช้ NB เพื่อสร้างคำหลักภาษาเนื่องจากอัลกอริทึมง่าย แต่มีประสิทธิภาพเพียงพอที่จะตรวจหา spams ได้อย่างมีประสิทธิภาพ

ผลลัพธ์ (ไทย) 2:

ผู้ใช้วิธีการห้าขั้นตอนวิธีการที่รู้จักกันดีที่จะทำให้เกิดลักษณนามสแปม: สุ่มป่า (RF), ถุง ADABOOSTM1, การสนับสนุนเครื่องเวกเตอร์ (SVM) และไร้เดียงสา Bayes (NB) ประสิทธิภาพการประเมินของลักษณนามพบว่าห่อดำเนินการที่ดีที่สุด นอกจากนี้ผลการดำเนินงานเกินกว่าจำนวนของวิธีการรัฐของศิลปะที่นำเสนอในการศึกษาก่อนหน้านี้ แม้ว่าจะใช้เฉพาะกับภาษาอังกฤษอีเมลผลลัพธ์ที่แสดงให้เห็นว่าวิธีการนี​​้อาจจะเป็นวิธีที่ดีในการจำแนกสแปมอีเมลในภาษาอื่น ๆ ได้เป็นอย่างดี เหตุผลของการเลือกขั้นตอนวิธีการสุ่มป่า (RF) คือการตรวจสอบสแปมมีความแม่นยำสูงและเรียนรู้ได้อย่างรวดเร็วขั้นตอนวิธีการดำเนินงานเป็นที่เหมาะสมสำหรับจำนวนมากของอัลกอริทึมรอง data.The เป็นวิธีการเรียนรู้ชุดที่เรียกว่า ADABOOSTM1 แม้ว่าจะเป็นวิธีทั้งมวล ADABOOSTM1 มีทั้งง่ายและรวดเร็ว ประโยชน์ที่ใหญ่ที่สุดของวิธีทั้งมวลนี้คือการที่น้อยไวต่อข้อมูลการฝึกอบรมมากกว่าพอดี อัลกอริทึมที่ได้รับการรายงานการดำเนินการที่ดีกว่าแล้วNaïve Bayes (NB) และน่าจะเป็น TF-IDF สำหรับงานจัดหมวดหมู่ข้อความ การสนับสนุนเครื่องเวกเตอร์ (SVM) นอกจากนี้ยังเป็นขั้นตอนวิธีการเรียนรู้ที่เป็นที่นิยมสำหรับการตรวจสอบสแปม แต่เห็นได้ชัดว่าประสิทธิภาพของ SVM จะดีกว่าด้วยคุณสมบัติที่มีส่วนหัวที่มีคุณสมบัติมากกว่าข้อความ ไร้เดียงสา Bayes (NB) เป็นขั้นตอนวิธีการเรียนรู้ที่ใช้กันอย่างแพร่หลาย ในชุมชนป้องกันสแปมใช้ NB เพื่อสร้างลักษณนามเพราะขั้นตอนวิธีการที่เรียบง่าย แต่ทรงพลังมากพอที่จะตรวจสอบ spams ได้อย่างมีประสิทธิภาพ

ผลลัพธ์ (ไทย) 3:

วิธีนี้จะกระตุ้นให้ผู้ใช้รู้จักกันดีขั้นตอนวิธีสแปมคำ : สุ่มป่า ( RF ) , ถุง , adaboostm1 เครื่องเวกเตอร์สนับสนุน ( SVM ) และนาไตได้ Bayes ( NB ) การประเมินประสิทธิผลของตัวพบว่าถุงมีประสิทธิภาพดีที่สุด นอกจากนี้ ประสิทธิภาพเกินกว่าจำนวนของรัฐ - of - the - art วิธีที่เสนอในงานวิจัย . แม้ว่าจะใช้เฉพาะกับอีเมลภาษาอังกฤษ ผลการวิจัยพบว่า วิธีการนี้อาจจะหมายความว่ายอดเยี่ยมเพื่อแยกอีเมลสแปมในภาษาอื่น ๆเช่นกัน เหตุผลของการเลือกอัลกอริทึมแบบสุ่มป่า ( RF ) คือการตรวจหาสแปมมีความแม่นยำสูง และเรียนรู้ได้เร็ว ขั้นตอนวิธีการดำเนินงานที่เหมาะสำหรับจำนวนขนาดใหญ่ของข้อมูล ทุติยภูมิเป็นชุดการเรียนรู้ขั้นตอนวิธีวิธีการที่เรียกว่า adaboostm1 . แม้ว่าการรวมวง วิธี adaboostm1 มีทั้งง่ายและรวดเร็ว ประโยชน์ที่ใหญ่ที่สุดของชุดนี้เป็นวิธีที่เสี่ยงน้อยกว่าการฝึกอบรมข้อมูลผ่านพอดี ขั้นตอนวิธีการได้รับรายงานแสดงดีกว่านา ไตได้ Bayes ( NB ) และ tf-idf ความน่าจะเป็นสำหรับข้อความการจัดหมวดหมู่งาน เครื่องเวกเตอร์สนับสนุน ( SVM ) เป็นขั้นตอนวิธีการเรียนรู้ที่นิยมสำหรับการตรวจจับสแปม แต่เห็นได้ชัดว่า การปฏิบัติงานของ SVM ที่ดีด้วยคุณสมบัติหัวมากกว่าด้วยคุณสมบัติข้อความ นาไตได้ Bayes ( NB ) มีใช้กันอย่างแพร่หลายการเรียนรู้ขั้นตอนวิธี ในการป้องกันสแปมชุมชนใช้ NB สร้างกลุ่มก้อน เพราะวิธีที่ง่าย แต่มีประสิทธิภาพเพียงพอที่จะตรวจจับสแปมได้อย่างมีประสิทธิภาพ