图书介绍

基于半监督与集成学习的文本分类方法2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

基于半监督与集成学习的文本分类方法
  • 唐焕玲著 著
  • 出版社： 北京：电子工业出版社
  • ISBN：9787121212567
  • 出版时间：2013
  • 标注页数：179页
  • 文件大小：38MB
  • 文件页数：189页
  • 主题词：文字处理－研究

PDF下载


点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
种子下载[BT下载速度快]温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页直链下载[便捷但速度慢]  [在线试读本书]   [在线获取解压码]
点击复制MD5值：2b18bc9568f08b63317fdfedea23fc23

下载说明

基于半监督与集成学习的文本分类方法PDF格式电子书版下载

下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。

点击复制85GB完整离线版磁力链接到迅雷FDM等BT下载工具进行下载  详情点击-查看共享计划
建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！

（文件页数 要大于 标注页数，上中下等多册电子书除外）

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

图书目录

第1章 绪论1

1.1 研究背景及意义1

1.1.1 数据挖掘和文本挖掘1

1.1.2 文本分类及其面临的问题3

1.2 国内外相关研究7

1.2.1 半监督学习7

1.2.2 集成学习10

1.3 本书内容组织14

第2章 文本分类技术概述17

2.1 文本分类预处理17

2.2 文本的表示19

2.3 特征选择21

2.3.1 初始特征选择22

2.3.2 特征选择算法22

2.4 文本分类算法24

2.4.1 质心向量分类算法24

2.4.2 K近邻分类算法26

2.4.3 贝叶斯分类算法27

2.4.4 关联规则分类算法33

2.4.5 支持向量机33

2.4.6 其他分类算法37

2.5 实验数据集38

2.6 分类模型的评估方法39

2.7 本章小结41

第3章 TEF-WA权值调整技术42

3.1 特征选择存在的问题42

3.2 TEF-WA权值调整技术43

3.2.1 TEF-WA权值调整的基本思想43

3.2.2 各种评估函数的TEF-WA权值调整45

3.3 实验结果与分析48

3.3.1 TEF-WA权值调整的有效性48

3.3.2 不同评估函数的权值调整52

3.3.3 评估比较62

3.4 本章小结68

第4章 结合TEF-WA技术的Co-training改进算法69

4.1 Co-training算法及其存在的问题69

4.2 基于TEF-WA的特征多视图70

4.2.1 TEF-WA技术70

4.2.2 基于TEF-WA的特征多视图71

4.3 基分类器间的差异性评估72

4.4 TV-SC算法与TV-DC算法74

4.5 实验结果及其分析76

4.6 本章小结80

第5章 基于特征独立模型的Co-training改进算法81

5.1 特征独立模型82

5.1.1 基于条件互信息的相互独立性82

5.1.2 基于条件χ2统计量的相互独立性83

5.1.3 特征独立模型84

5.2 特征子集划分算法PMID85

5.3 基于MID-Model的改进算法SC-PMID88

5.4 实验结果及其分析89

5.4.1 PMID-MI与PART-Rnd的实验比较90

5.4.2 PMID-CHI与PART-Rnd的实验比较93

5.4.3 PMID-MI、PMID-CHI和PART-Rnd的实验比较95

5.4.4 SC-PMID-MI、SC-PMID-CHI和SC-PART-Rnd的实验比较96

5.5 本章小结98

第6章 基于投票信息熵和多视图的AdaBoost改进算法99

6.1 AdaBoost算法100

6.1.1 AdaBoost算法描述100

6.1.2 AdaBoost提升NB文本分类器的问题101

6.2 利用特征评估函数构造多视图102

6.3 基于投票信息熵的样本权重维护新策略103

6.3.1 投票信息熵104

6.3.2 基于投票信息熵的样本权重维护新策略105

6.3.3 样本权重对NB文本分类器的扰动106

6.4 BoostVE算法108

6.4.1 BoostVE算法描述108

6.4.2 BoostVE算法的最小训练错误上界109

6.5 实验结果及其分析113

6.5.1 参数η对BoostVE算法性能的影响115

6.5.2 Boost VE算法与AdaBoost-MV算法、AdaBoost算法的实验比较118

6.5.3 BoostVE算法提升NB文本分类器的有效性124

6.6 本章小结126

第7章 结合半监督学习的SemiBoost-CR分类模型128

7.1 SemiBoost-CR模型的目标函数129

7.2 未标注样本的置信度131

7.2.1 基于K近邻的置信度131

7.2.2 基于最大差距的置信度132

7.3 基于置信度的重取样策略133

7.4 样本权重维护策略135

7.5 SemiBoost-CR分类算法136

7.6 实验结果及其分析137

7.6.1 未标注近邻样本对置信度conf1的影响139

7.6.2 两种置信度方法conf1和 conf2的实验比较140

7.6.3 topN和bottomN对SemiBoost-CR模型的影响144

7.7 本章小结154

第8章 文本自动分类系统SECTCS155

8.1 系统简介155

8.2 系统总体结构156

8.3 系统的用户界面157

8.4 实验数据集163

8.5 本章小结165

结束语166

参考文献169

热门推荐