已閱讀1頁，還剩33頁未讀， 繼續(xù)免費(fèi)閱讀
版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、隨著網(wǎng)絡(luò)和信息技術(shù)的快速發(fā)展，大規(guī)模的文本處理得到持續(xù)研究和關(guān)注。大規(guī)模文本分類面對(duì)的是巨大的文本和類別數(shù)量，高維的特征空間對(duì)分類算法帶來極高的計(jì)算復(fù)雜度和空間復(fù)雜度，且影響算法的可擴(kuò)展性。對(duì)特征空間有效的降維不僅可以提高分類的效率和效果，而且可以提高分類器的泛化能力，因此對(duì)特征空間實(shí)施降維是非常必要的。
本文研究了文本分類的關(guān)鍵技術(shù);討論了對(duì)特征向量空間進(jìn)行降維的必要性;分析了特征空間降維常用的方法;由于主流的特征提取方
2、法不能處理高維的特征空間，提出采用迭代的CCIPCA和ICA算法，解決大規(guī)模文本分類的降維問題;針對(duì)特征選擇和特征提取方法的不足，采用了一種ICA與IG組合的降維方法;用分類對(duì)比實(shí)驗(yàn)對(duì)CCIPCA和ICA算法的有效性和可行性進(jìn)行了評(píng)估，分析了實(shí)驗(yàn)結(jié)果及其產(chǎn)生的原因。
分類對(duì)比實(shí)驗(yàn)結(jié)果表明：基于迭代的CCIPCA和ICA特征提取方法，所需計(jì)算空間較小，可以有效處理大規(guī)模文本分類問題，在降維的基礎(chǔ)上提高了分類效果;在相同的數(shù)據(jù)
溫馨提示
- 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽，若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間，僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理，對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容，請(qǐng)與我們聯(lián)系，我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 文本分類中的特征降維方法研究.pdf
- 文本分類及其特征降維研究.pdf
- 文本分類中特征向量空間降維方法研究.pdf
- 信息檢索中的文本分類與降維技術(shù)研究.pdf
- 文本分類中的特征選擇研究.pdf
- 文本分類特征選取技術(shù)研究.pdf
- 面向文本分類的文本特征學(xué)習(xí)技術(shù)研究.pdf
- 基于ICF詞語聚合的特征降維方法以及在中文文本分類中的應(yīng)用.pdf
- 文本分類中特征選擇算法研究.pdf
- 文本分類中特征選擇方法研究.pdf
- 文本分類中特征選擇和分類算法的研究.pdf
- web文本分類中特征向量?jī)?yōu)化技術(shù)研究.pdf
- 模式分類中特征降維方法的研究
- 文本分類技術(shù)的研究.pdf
- 文本分類的特征選擇和分類方法研究.pdf
- 模式分類中特征降維方法的研究.pdf
- 文本分類中特征選擇算法的研究與改進(jìn).pdf
- 文本分類中特征選擇與加權(quán)算法的研究.pdf
- 文本分類中特征提取相關(guān)技術(shù)研究與實(shí)現(xiàn).pdf
- 文本分類與特征選擇技術(shù)的研究與實(shí)現(xiàn).pdf
評(píng)論
0/150
提交評(píng)論