已閱讀1頁，還剩52頁未讀， 繼續(xù)免費閱讀
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)，請進行舉報或認領(lǐng)
文檔簡介
1、隨著互聯(lián)網(wǎng)的快速發(fā)展，網(wǎng)絡(luò)上的文本信息急劇增長，如何從龐大的信息庫中提取有用的信息已變得越來越重要，這有賴于數(shù)據(jù)挖掘中的文本挖掘技術(shù)。文本分類技術(shù)是文本挖掘的關(guān)鍵技術(shù)之一，因此，對文本分類的研究具有重要的意義。
KNN以簡單和高魯棒性而被廣泛應(yīng)用于機器學習和數(shù)據(jù)挖掘領(lǐng)域，被證實是向量空間模型(VSM)下最好的文本分類方法之一。然而KNN算法有其固有的缺點，當訓練樣本集過大或特征過多時，KNN算法的效率會明顯下降。
2、 針對KNN算法的不足，本文提出了一種改進的KNN文本分類算法--PKNN，該算法基于投影尋蹤理論和iDistance索引結(jié)構(gòu)，能夠通過對一維投影距離的搜索快速獲得與待分類樣本最近的小樣本庫，然后通過計算與小樣本庫內(nèi)文本的相似度即可獲得最近的K個樣本，而無須與整個訓練樣本庫的文本進行計算，因而在保證分類精度的同時明顯提高了計算的效率。
本文首先介紹了文本分類技術(shù)的概況和研究現(xiàn)狀，然后系統(tǒng)介紹了文本預處理技術(shù)，在對KNN
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)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
- 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。
- 6. 下載文件中如有侵權(quán)或不適當內(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確性、安全性和完整性, 同時也不承擔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。
最新文檔
- 一種改進的KNN文本分類算法.pdf
- 基于改進哈希算法的快速KNN文本分類方法.pdf
- 基于蜂群算法和改進KNN的文本分類研究.pdf
- 并行分類算法及其在文本分類中的應(yīng)用.pdf
- 基于改進KNN的文本分類算法的設(shè)計與實現(xiàn).pdf
- 基于KNN的文本分類特征選擇與分類算法的研究與改進.pdf
- M3-kNN網(wǎng)絡(luò)方法研究及其在文本分類中的應(yīng)用.pdf
- 基于KNN的專利文本分類算法研究.pdf
- 基于語義中心的KNN文本分類算法研究.pdf
- 改進的SVM+算法在文本分類中的應(yīng)用研究.pdf
- KNN文本分類中特征詞權(quán)重算法的研究.pdf
- 基于KNN的中文文本分類算法研究.pdf
- KNN文本分類研究.pdf
- 基于改進KNN分類算法的文本分類關(guān)鍵技術(shù)研究與實現(xiàn).pdf
- KNN文本分類及特征加權(quán)算法研究.pdf
- 文本分類中基于概念聚合的KNN算法優(yōu)化問題研究.pdf
- 基于KNN算法的文本分類系統(tǒng)的設(shè)計與實現(xiàn).pdf
- 海量數(shù)據(jù)的KNN文本分類算法的MapReduce實現(xiàn)研究.pdf
- 文本分類算法的研究與改進.pdf
- 改進的K近鄰算法在網(wǎng)頁文本分類中的應(yīng)用.pdf
評論
0/150
提交評論