Bayesovský filtr

• idea: pro každý e-mail spočítáme pravděpodobnost, že se jedná o spam

• pro každé slovo si filtr pamatuje, jaká je pravděpodobnost, že e-mail obsahující toto slovo je spam

  • na počátu vezměme dvě složky, jedna se spamem a druhá s hamem
  • pro každé slovo spočítáme P(w) = počet výskytů w (spam)/počet všech výskytů w
  • tím získáme pravděpodobnost, že dané slovo je součástí spamu
  • zde je potřeba učení, často se filtr učí stále (např. pokud zhodnotí e-mail špatně)

• při hodnocení e-mailu se spočítá geometrický průměr z pravděpodobností, že slova v e-mailu určují spam

  • tento postup se kvůli optimalizacím aplikuje pouze na zajímavá slova (ta, která jsou extrémní – buď indikují, že se jedná o spam, nebo ta, která indikují ham)

• filtr je potřeba naučit pomocí hamů pro každého uživatele (skupinu uživatelů zvlášť)