已閱讀1頁,還剩33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、隨著網(wǎng)絡和信息技術(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)模文本分類面對的是巨大的文本和類別數(shù)量,高維的特征空間對分類算法帶來極高的計算復雜度和空間復雜度,且影響算法的可擴展性。對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,因此對特征空間實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);討論了對特征向量空間進行降維的必要性;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;用分類對比實驗對CCIPCA和ICA算法的有效性和可行性進行了評估,分析了實驗結(jié)果及其產(chǎn)生的原因。
分類對比實驗結(jié)果表明:基于迭代的CCIPCA和ICA特征提取方法,所需計算空間較小,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
- 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習技術(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優(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.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)研究與實現(xiàn).pdf
- 文本分類與特征選擇技術(shù)的研究與實現(xiàn).pdf
評論
0/150
提交評論