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(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、文本分類是處理和組織大量文本數(shù)據(jù)的關(guān)鍵技術(shù)。在文本分類中,特征空間的維數(shù)高達(dá)幾萬,導(dǎo)致樣本統(tǒng)計特性的評估變得十分困難,甚至?xí)档头诸惸P偷姆夯芰?出現(xiàn)“過學(xué)習(xí)”的現(xiàn)象。因此,有效的維數(shù)約減可以提高分類任務(wù)的效率和分類性能。 本文關(guān)注的是特征選擇問題,研究如何運用Boosting思想更好的實現(xiàn)文本分類中的特征選擇。由于Boosting思想從提出到理論研究以及眾多的實驗都是針對分類問題的,并不能直接用于本文。本文提出在Boosti
2、ng算法的框架下,不斷的改變樣本分布,選擇在一次迭代中最具有類別區(qū)分能力的特征進(jìn)入特征子集。本文在Boosting特征選擇方法的研究中遇到兩個關(guān)鍵問題:Boosting的循環(huán)終止條件和特征數(shù)量問題。對于前者,本文給出了三種方案:限定循環(huán)次數(shù)、訓(xùn)練錯誤不變、特征子集不變;通過實驗對三種方案進(jìn)行比較并得出結(jié)論。對于后者,研究特征選擇時理論上可能出現(xiàn)的兩種極端現(xiàn)象:所有特征都被選擇,或者很少的幾個特征被重復(fù)選擇;實驗表明這兩種極端現(xiàn)象都沒有出
3、現(xiàn)。 特征選擇目前沒有一種較為獨立的評價體系,往往直接跳步至分類的評價,本文通過引入更多分析加以彌補。Boosting的訓(xùn)練錯誤分析和泛化錯誤分析增強了Boosting理論上的支持。本文從兩個方面分析比較特征選擇方法,一方面比較過程,另一方面比較特征選擇結(jié)果。從過程上,可以對比不同方法的目標(biāo)函數(shù)、參數(shù)、限制等問題。從結(jié)果上,通過分析排名靠前的特征發(fā)現(xiàn),Boosting方法選的特征覆蓋大部分類別,而其他方法則只覆蓋少數(shù)幾個類別。
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(hù)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(fù)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。
最新文檔
- 基于野草算法的文本特征選擇研究.pdf
- 基于文本聚類的特征選擇算法研究.pdf
- 文本特征選擇算法的研究.pdf
- 基于云平臺的文本特征選擇算法研究.pdf
- 基于特征選擇和特征加權(quán)算法的文本分類研究.pdf
- 基于汽車評論的文本情感分類特征選擇方法研究.pdf
- 基于改進(jìn)入侵野草算法的文本特征選擇研究.pdf
- 金融文本理解的特征選擇研究.pdf
- 基于自編碼的神經(jīng)網(wǎng)絡(luò)文本特征選擇的研究.pdf
- 文本分類中的特征選擇研究.pdf
- 基于RLS-MARS特征選擇的文本分類方法研究.pdf
- 基于隨機森林和boosting思想的推薦算法的研究.pdf
- 文本挖掘中的特征選擇方法研究.pdf
- 基于互信息特征選擇算法的文本自動分類研究.pdf
- 文本分類特征選擇方法研究.pdf
- 非均衡文本分類的特征選擇研究.pdf
- 文本分類中基于綜合度量特征選擇算法的研究.pdf
- 基于TFIDF-GA特征選擇的文本模糊聚類方法研究.pdf
- SVM文本分類中基于法向量的特征選擇算法研究.pdf
- 27540.基于改進(jìn)特征選擇方法的文本情感分類研究
評論
0/150
提交評論