'training.dat' irgendwann zu groß?

Quote from "Thunderflirt"

Ich hab irgendwann vor Jahren mal von irgendjemandem
die 'training.dat' übernommen

Keine gute Idee und nicht im Sinne des Erfinders. TBs Junk-Filter ist ein selbstlernendes Filter, dabei bezieht sich das Lernen auf die Mails, die du bekommst und die für dich(!) Spam sind.

Vereinfacht und bewußt nicht-technisch ausgedrückt passiert folgendes: Das Filter führt ein Worttabelle mit allen Wörtern in den Mails, für jedes Vorkommen in einer Spam-Mail und in einer Nicht-Spam-Mail wird pro Wort ein Zähler aktualisiert. Kommt jetzt eine neue Mail mit einem solchen Wort, wird entsprechend diesen Zählern entschieden, wie die Mail einzuordnen ist; gleichzeitig werden die Zähler aktualisiert. Da eine Mail aber nicht nur aus einem Wort besteht, werden die Zähler für viele Wörter verglichen und daraus die Spam-Wahrscheinlichkeit errechnet. Das Ändern des Spam-Status für eine Mail wird zwar die Zähler für die enthaltenen Wörter korrigieren, aber nicht gleich das Verhältnis zwischen Spam-Zähler und Nicht-Spam-Zähler umkippen lassen. Und bei einer fremden Trainingsdatei ist das ganze völlig zweifelhaft. Beispiel: Der Ersteller der Trainingsdatei ist Urologe und hat hunderte Mails mit dem Wort Viagra bekommen, die kein Spam sind. Es ist dann klar, daß es bei dir lange Zeit dauern wird, bis die Zähler in der Datei durch immer wieder neues trainieren deinerseits so geändert sind, daß die berüchtigten Viagra-Spams bei dir eben nicht als berufliche Information bewertet werden.

Das Alter der Datei hat dagegen keine Bedeutung.

Konsequenz: Entweder du lebst damit, daß du etwas mehr trainieren mußt, oder du beginnst mit einer eigenen Datei neu. Dabei hilft es nach meiner Erfahrung ungemein, wenn man zu Beginn die vorhandenen Mails (auch die selbst gesendeten) neu als Junk oder nicht-Junk klassifiziert, das Filter wird dann wahrscheinlich schon nach kurzer Zeit wunschgemäß arbeiten.

Nachtrag: Es sei nicht verschwiegen, daß es auch eine andere Ursache gibt. Mansche Spammer bereiten ihre Mails immer wieder neu so auf, daß viele Wörter enthalten sind, die erfahrungsgemäß bei der Masse der unfreiwilligen Empfänger als Nicht-Spam klassifiziert sind. Dagegen ist kein absolut wirksames Kraut gewachsen.