Modelli statistici per la classificazione: confronto tra regressione logistica e alberi di classificazione con applicazione al filtraggio della posta elettronica

1 INTRODUZIONE Uno dei problemi più diffusi e più fastidiosi legati all’uso della posta elettronica è il cosiddetto spamming o eccessivo invio multiplo di messaggi (messaggi sostanzialmente simili). Esso consiste nella ricezione incondizionata di e-mail non desiderate, inviate, per lo più, da parte di società che pubblicizzano prodotti e servizi, generalmente commerciali. Una piccola ma significativa porzione di messaggi non richiesti è anche di carattere non commerciale; alcuni esempi comprendono anche i messaggi di propaganda politica e le catene di Sant’Antonio. I termini unsolicited commercial e-mail, UCE (e-mail commerciale non richiesta) e unsolicited bulk e-mail, UBE (e-mail non richiesta in grandi quantità) sono usati per definire più precisamente e in modo meno gergale i messaggi e-mail di spam. I più grandi Internet Service Provider come America OnLine riferiscono che una quantità che varia da un terzo a due terzi della capacità dei loro server di posta elettronica viene consumata dallo spam. Il termine Spam trae origine da uno sketch comico del Monty Python’s Flying Circus ambientato in un locale nel quale ogni pietanza proposta dalla cameriera era a base di Spam (un tipo di carne in scatola). Man mano che lo sketch avanza, l’insistenza della cameriera nel proporre piatti con “spam” si contrappone alla riluttanza del cliente per questo alimento. I Monty Python prendono in giro la carne in scatola Spam per l’assidua pubblicità che la marca era solita