假设我是 Gmail 之类的电子邮件提供商。假设我有两类电子邮件地址：垃圾邮件发送者和非垃圾邮件发送者。当我的服务器收到邮件时，我需要快速检查该电子邮件 ID 是否在垃圾邮件发送者集中，如果是，我会采取一些措施。
问题是每个电子邮件 ID 可能是几个字节（例如每个 10 个字节），我可能有 10 亿个垃圾邮件发送者，所以我需要 10GB 的 RAM 来将电子邮件存储在主内存中。
假设我只想使用 1 GB RAM。为此，我现在准备接受一个大概的答案。特别是我可以接受被错误标记为属于垃圾邮件集的非垃圾邮件，但反之亦然。我将如何做？
有人已经用“bloom-filter”标记了这个。我同意他们的观点。
布隆过滤器是一种基于散列的技术，它永远不会导致误报，但会牺牲误报的概率来节省空间。它满足您的特定性能要求 - “对于 1% 的误报概率，每个元素需要少于 10 位，与集合中元素的大小或数量无关（Bonomi 等人（2006 年））。” （来自链接的文章）
您不会为此使用 Bloom 过滤器的主要原因是删除垃圾邮件发送者的计算量很大，需要您重新构建过滤器或单独跟踪已删除垃圾邮件发送者的列表。
您的问题适用于机器学习技术。
您将问题建模为非参数模型，即参数取决于您的数据，随着数据的增长，参数也会增长。
简单的非参数模型类似于 k 最近邻。每次要预测一些新数据点时，都必须计算所有训练示例与该数据点的距离。
所以跟踪电子邮件地址不是一个好主意，如果你让机器读取内容，然后用一组固定的参数自动决定输出应该是什么？
您可以访问垃圾邮件/火腿电子邮件的大型数据集。并训练大型深度模型，然后在您的自定义数据集上对其进行微调。
至于模型的准确率，当你训练一个分类器后，模型的输出会是一个介于 0 和 1 之间的简单实数值，分别告诉你模型认为它是 ham 还是 spam 的程度，通常我们设置一个阈值0.5 给出明确的答案。但是，如果您想优化误报，则可以提高阈值。
例如，如果您将其设置为 0.8，您是在说如果不是 80% 确定，我不希望机器将其归类为火腿。