1、惰性學(xué)習(xí)(Lazy Learner)分類法有別于決策樹歸納、貝葉斯分類、基于規(guī)則的分類、后向傳播分類等的急切學(xué)習(xí)分類技術(shù)。當(dāng)給定訓(xùn)練集時(shí)，惰性學(xué)習(xí)法只是簡單的存儲(chǔ)它，而不像急切分類法一樣馬上構(gòu)造范化模型(即分類)，要一直等到給定一個(gè)檢驗(yàn)元組時(shí)才對(duì)訓(xùn)練集進(jìn)行范化，進(jìn)而根據(jù)訓(xùn)練元組的相似性對(duì)檢驗(yàn)元組進(jìn)行分類。惰性學(xué)習(xí)分類法的最大優(yōu)點(diǎn)就是自然地支持增量學(xué)習(xí)，并且能對(duì)超多邊形形狀的復(fù)雜決策空間建模，或者說其比較適合對(duì)高維數(shù)據(jù)集進(jìn)行分類。

2、 本文在分析比較了當(dāng)前主要的垃圾郵件過濾技術(shù)后，實(shí)現(xiàn)了將一種典型的惰性學(xué)習(xí)分類法，即k最近鄰(kNN)分類法，運(yùn)用于垃圾郵件過濾。K最近鄰分類法自然支持增量學(xué)習(xí)的特性剛好能滿足垃圾郵件過濾中要求訓(xùn)練集不斷更新的要求。同時(shí)，當(dāng)k的取值足夠大的時(shí)候，其分類準(zhǔn)確性也很高，接近于貝葉斯分類。另外，本文還針對(duì)kNN分類法計(jì)算量比較大的缺點(diǎn)進(jìn)行了改進(jìn)，即利用一種魯棒的層次聚類方法—ROCK聚類，對(duì)訓(xùn)練集先進(jìn)行聚類，以達(dá)到壓縮數(shù)據(jù)集的目的，從而減少后