基于神經(jīng)網(wǎng)絡(luò)集成Ada-S算法的文本分類.pdf

1、隨著計(jì)算機(jī)網(wǎng)絡(luò)的普及和信息技術(shù)的不斷發(fā)展，網(wǎng)絡(luò)在人們生活中的作用越來(lái)越大，網(wǎng)絡(luò)中的文本信息也不斷積累，種類復(fù)雜多樣，文本分類系統(tǒng)的完善顯得尤為重要。需要進(jìn)行分類的文本往往參差不齊，分布不均衡，并含有噪聲。前人使用神經(jīng)網(wǎng)絡(luò)集成算法對(duì)文本進(jìn)行分類，但是由于Adaboost算法本身容易在有噪聲或樣本分布不均時(shí)產(chǎn)生過(guò)訓(xùn)練，造成過(guò)擬合現(xiàn)象，極易影響文本分類系統(tǒng)的性能。本文以Adaboost算法的這一缺陷為出發(fā)點(diǎn)，對(duì)算法進(jìn)行改進(jìn)，降低過(guò)擬合現(xiàn)象的發(fā)

2、生，同時(shí)將改進(jìn)算法應(yīng)用到文本分類，提高文本分類的準(zhǔn)確性。
　　 本文的主要工作分為三部分:文本的預(yù)處理;基于樣本分布、抑制過(guò)擬合的Adaboost算法的改進(jìn)算法——Ada-S算法;Ada-S算法在文本分類中的應(yīng)用。
　　 本文主要針對(duì)神經(jīng)網(wǎng)絡(luò)集成算法中的Adaboost算法進(jìn)行了改進(jìn)。本文通過(guò)對(duì)算法中樣本權(quán)重的調(diào)整策略進(jìn)行的改進(jìn)，使樣本權(quán)重的變化幅度不僅僅依據(jù)分類器的識(shí)別情況，還根據(jù)樣本的分布情況做出適當(dāng)?shù)卣{(diào)整，避免Ad

3、aboost算法過(guò)度關(guān)注噪聲樣本及困難樣本，使Adaboost算法的過(guò)擬合現(xiàn)象有所下降，尤其是降低了噪聲比例較大時(shí)過(guò)擬合現(xiàn)象的發(fā)生，一定程度上提高了Adaboost算法的泛化性能。同時(shí)，本文對(duì)上述改進(jìn)算法的調(diào)節(jié)因子根據(jù)各類樣本參加訓(xùn)練的情況進(jìn)行優(yōu)化，使Adaboost算法能夠進(jìn)一步提高分類的準(zhǔn)確性。最后，本文將改進(jìn)的算法Ada-S應(yīng)用到文本分類中，通過(guò)與原始的Adaboost算法進(jìn)行比較，改進(jìn)算法Ada-S的泛化性能和文本分類評(píng)價(jià)指標(biāo)均