基于PCA與多視圖學(xué)習(xí)的中文文本分類研究.pdf_第1頁
已閱讀1頁，還剩159頁未讀， 繼續(xù)免費閱讀

下載本文檔

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)，請進行舉報或認領(lǐng)

文檔簡介

1、隨著信息時代的來臨，電子文本信息迅速膨脹，如何有效地組織和管理這些信息，并準(zhǔn)確、全面、快速地將用戶所需要的信息從文本信息系統(tǒng)中選取出來成為當(dāng)前信息科學(xué)和技術(shù)領(lǐng)域的一大挑戰(zhàn)。文本分類技術(shù)作為文本信息處理領(lǐng)域的關(guān)鍵技術(shù)之一，在較大的程度上解決了信息混亂的問題。
　　 文本分類面臨的一個主要問題就是在用向量空間模型表示文本時，向量空間的維數(shù)過高，這樣就造成了分類算法的計算復(fù)雜度很高。首先要進行特征選擇，常用的特征選擇方法包括：信息增益

2、、互信息、χ2 統(tǒng)計、期望交叉熵、詞頻方法、文檔頻次方法、文本證據(jù)權(quán)等。本文是從多種特征選擇函數(shù)的差異性著手進行研究的。
　　 本文的主要工作包括以下內(nèi)容：
　　 1.本文在各特征選擇函數(shù)之后應(yīng)用了主成分分析（Principal Component Analysis）的方法，它進一步的降低了特征維數(shù)并選出更具代表性的特征項。實驗表明應(yīng)用PCA后各分類器的分類性能得到了明顯地提高。
　　 2.本文將PCA 應(yīng)用到各

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. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容，請與我們聯(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, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論