AdaBoost和主動學習方法在郵件分類中的應用研究.pdf

1、隨著“互聯(lián)網(wǎng)+”政策的大力推廣，當今互聯(lián)網(wǎng)對于社會、國家的作用變得日益重要。而對于基于互聯(lián)網(wǎng)的信息溝通方式也顛覆了電報、傳真、電話等傳統(tǒng)溝通方式，短信、郵件早已普及，當下各種通訊軟件、社交平臺更是成為了人們彼此間溝通的主要方式，有著重要的作用和意義，并且逐漸成為一種流行元素。然而電子郵件依然是工作場所最常用的工具，有著不可替代的重要地位。而各種垃圾郵件的產(chǎn)生則嚴重的影響到了郵件的用戶體驗，浪費了網(wǎng)絡資源，傳播著廣告、虛假信息、乃至詐騙信

2、息，對用戶的賬戶財產(chǎn)安全構(gòu)成了嚴重威脅，因此，郵件的分類技術(shù)始終受到中外學者的關(guān)注，是具有重要研究意義的熱點問題之一。
　　本文首先針對傳統(tǒng)機器學習方法容易產(chǎn)生過擬合的現(xiàn)象，泛化錯誤率較高，需要不斷調(diào)整參數(shù)等缺點提出了采用基于不同基礎(chǔ)分類器的AdaBoost集成分類器來避免這種現(xiàn)象的發(fā)生。探討了基于諸如樸素貝葉斯和邏輯回歸方法等的AdaBoost分類器，以及針對不同數(shù)據(jù)集，采用更加適合數(shù)據(jù)集特性的基于不同分類器的AdaBoost分

3、類器。結(jié)果發(fā)現(xiàn)往往AdaBoost集成學習方法可以有效地避免過擬合，并且有助于進一步提升分類器的性能。
　　其次，提出采用基于不同采樣策略的主動學習方法來對已有分類器進行進一步的性能優(yōu)化及提升。主動學習方法往往更加關(guān)注那些距離分類超平面更近的數(shù)據(jù)點，也就是那些更加不容易分類正確的數(shù)據(jù)點，而不去標記那些非常容易正確分類的數(shù)據(jù)，由此極大地對標記數(shù)據(jù)集進行精簡，可以達到降低采樣數(shù)、節(jié)省采樣時間、提高采樣效率的目的，最終有效提升分類器的分