KNN算法的改进及其在自动文本分类中的应用
| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 引言 | 第8-14页 |
| 1.1 选题的背景和意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文所做的工作 | 第12-13页 |
| 1.4 本文结构 | 第13-14页 |
| 第二章 文本自动分类的主要技术 | 第14-29页 |
| 2.1 文本的表示 | 第15-17页 |
| 2.1.1 文本文档的预处理 | 第15-16页 |
| 2.1.2 文本的向量化表示 | 第16-17页 |
| 2.2 特征权重分配 | 第17-19页 |
| 2.2.1 布尔权重 | 第17-18页 |
| 2.2.2 词频权重 | 第18页 |
| 2.2.3 词频逆文档权重 | 第18-19页 |
| 2.3 特征提取 | 第19-23页 |
| 2.3.1 文档频率 | 第19页 |
| 2.3.2 信息增益 | 第19-20页 |
| 2.3.3 互信息 | 第20-21页 |
| 2.3.4 χ~2统计量 | 第21-22页 |
| 2.3.5 期望交叉熵 | 第22-23页 |
| 2.4 常用的文本分类效果评价指标 | 第23-25页 |
| 2.5 常用的文本分类方法 | 第25-28页 |
| 2.5.1 决策树算法 | 第25-26页 |
| 2.5.2 朴素贝叶斯算法 | 第26-27页 |
| 2.5.3 K近邻算法 | 第27页 |
| 2.5.4 支持向量机算法 | 第27页 |
| 2.5.5 人工神经网络算法 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 传统的KNN算法及学者的研究改进 | 第29-33页 |
| 3.1 传统KNN算法简介 | 第29-30页 |
| 3.2 传统KNN算法的缺点 | 第30页 |
| 3.3 国内外学者对KNN算法的改进 | 第30-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 改进的KNN算法一KCKNN | 第33-39页 |
| 4.1 KCKNN算法思想 | 第33-34页 |
| 4.2 改进算法KCKNN的实现流程 | 第34-37页 |
| 4.2.1 K-means类内聚簇的实现 | 第34-35页 |
| 4.2.2 针对具体待分类样本选择簇组 | 第35页 |
| 4.2.3 利用新样本集进行KNN分类 | 第35-37页 |
| 4.3 实验结果与分析 | 第37-38页 |
| 4.4 本章小结 | 第38-39页 |
| 第五章 改进的KNN算法二IWKNN | 第39-52页 |
| 5.1 IWKNN算法思想 | 第39页 |
| 5.2 基于类别样本数量的改进算法IWKNN1 | 第39-40页 |
| 5.3 基于类别平均距离的改进算法IWKNN2 | 第40-46页 |
| 5.3.1 基于类别平均距离改进算法思想 | 第40-43页 |
| 5.3.2 改进算法的实现流程 | 第43-46页 |
| 5.3.2.1 求类别平均距离 | 第43-45页 |
| 5.3.2.2 利用类别平均距离修正决策函数 | 第45-46页 |
| 5.4 混合改进算法IWKNN | 第46页 |
| 5.5 实验结果与分析 | 第46-51页 |
| 5.6 本章小结 | 第51-52页 |
| 结论和展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57-58页 |
| 在学期间的研究成果及发表的学术论文 | 第58页 |
