|
Bayes'scher automatischer Lernvorgang |
Scrollen Zurück Oberste Ebene Weiter Mehr |
|
Die Einstellungen für das Automatische Lernverfahren sind nicht verfügbar, falls MDaemon den MDaemon-Spam-Daemon (MDSpamD) eines anderen MDaemon-Servers für den Spam-Filter verwendet. Alle Bayes’schen Lernvorgänge werden dann auf dem anderen Server durchgeführt. Weitere Informationen enthält der Abschnitt Spam-Daemon. |
Automatisches Lernverfahren
Bayes'sches automatisches Lernverfahren aktivieren
Für das Bayes’sche automatische Lernverfahren können Schwellwerte für Spam- und normale Nachrichten festgelegt werden. Nachrichten, deren Bewertung unter der Bewertungsgrenze für normale Nachrichten liegt, werden durch das Bayes’sche Lernverfahren automatisch wie normale Nachrichten behandelt. Entsprechendes gilt für Nachrichten über der Bewertungsgrenze für Spam, die das Lernverfahren automatisch als Spam behandelt. Dieses automatische Lernverfahren kann in der Praxis zwar durchaus zu Problemen führen; ein sinnvoller Einsatz ist trotzdem möglich, wenn die Bewertungsgrenzen richtig gesetzt werden. Der Vorteil des automatischen Lernverfahrens ist, dass alte und nicht mehr gültige Token (siehe Datenbankverwaltung unten) aus den Datenbankdateien entfernt und automatisch ersetzt werden. Verfallene Token müssen daher nicht mehr durch manuell ausgelöste Lernvorgänge wieder hergestellt werden.
Bewertungsgrenze für normale Nachrichten
Nachrichten, deren Spam-Bewertung unter dem hier angegebenen Wert liegt, werden durch das Bayes’sche Lernverfahren automatisch als normale Nachrichten behandelt, die keinen Spam enthalten.
Bewertungsgrenze für Spam
Nachrichten, deren Spam-Bewertung über dem hier angegebenen Wert liegt, werden durch das Bayes’sche Lernverfahren automatisch als Spam behandelt.
Anzahl der Proben normaler Nachrichten, die vorliegen müssen, bevor die Bayes'sche Bewertung beginnen kann
Der Spam-Filter beginnt erst mit der Bewertung und Kennzeichnung eingehender Nachrichten, wenn diese Anzahl an normalen Nachrichten und die Anzahl Spam-Nachrichten, die mit der folgenden Einstellung festgelegt wird, durch das Bayes’sche Lernverfahren verarbeitet und ausgewertet wurde. Dies ist erforderlich, damit der Spam-Filter eine ausreichend große Datenbasis zur Verfügung hat, die er zur Bewertung von Nachrichten heranziehen kann. Sobald das System mit der hier angegebenen Anzahl von Nachrichten beschickt wurde und diese ausgewertet sind, ist das System bereit, die Ergebnisse des Bayes’schen Bewertungen auf eingehende Nachrichten anzuwenden. Indem die Auswertung von Spam- und normalen Nachrichten fortlaufend weitergeführt wird, steigern sich Zuverlässigkeit und Genauigkeit des Bayes’schen Systems mit der Zeit immer mehr.
Anzahl der Proben von Spam-Nachrichten, die vorliegen müssen, bevor die Bayes'sche Bewertung beginnen kann
Für diese Einstellung gilt die Erläuterung zu der vorherigen Einstellung entsprechend; allerdings legt diese Einstellung fest, wie viele Spam-Nachrichten das System mindestens ausgewertet haben muss, bevor der Spam-Filter beginnt, eingehende Nachrichten zu bewerten.
Datenbankverwaltung
Bayes'sche Token verfallen automatisch
Diese Option bewirkt, das das Bayes’sche System die in der Datenbank eingetragenen Token automatisch verfallen lässt, sobald die unten angegebene Höchstzahl der Token erreicht ist. Die Festlegung einer Höchstzahl für die Token in der Datenbank kann verhindern, dass die Bayes’sche Datenbank unverhältnismäßig groß wird.
Höchstzahl der Bayes'schen Token in der Datenbank
Hier wird die Höchstzahl der Token festgelegt, die sich in der Datenbank befinden dürfen. Wird diese Zahl erreicht, so löscht das Bayes’sche System die ältesten Token zuerst, bis die Anzahl der Token auf 75 % der hier angegebenen Höchstzahl gefallen ist. Die Zahl von 100.000 Token kann dabei aber keinesfalls unterschritten werden. Beachte: 150.000 Token in der Datenbank belegen etwa 8 MB Speicherplatz.
Alle Einstellungen auf Vorgabewerte setzen
Ein Klick auf diesen Knopf setzt alle erweiterten Bayes-Einstellungen auf die Vorgabewerte zurück.
Siehe auch:
