基于机器学习的农业文本分类方法研究
| 摘要 | 第9-11页 |
| Abstract | 第11-12页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 课题的研究背景及意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.3 本文的研究内容 | 第17-18页 |
| 1.4 本文的组织结构 | 第18-19页 |
| 第二章 农业文本语料库的构建及预处理 | 第19-26页 |
| 2.1 农业文本语料库的构建 | 第19页 |
| 2.2 农业文本语料库的预处理 | 第19-24页 |
| 2.2.1 基于机器学习的农业文本分类流程 | 第19-22页 |
| 2.2.2 基于CHI值的特征词提取 | 第22页 |
| 2.2.3 文本分词 | 第22-23页 |
| 2.2.4 特征词条的选取 | 第23-24页 |
| 2.2.5 分类性能的评估标准 | 第24页 |
| 2.3 农业文本分类实验方法 | 第24页 |
| 2.4 本章小结 | 第24-26页 |
| 第三章 基于机器学习的农业文本分类方法分析 | 第26-48页 |
| 3.1 常用文本分类的机器学习方法 | 第26-27页 |
| 3.2 基于朴素贝叶斯的农业文本分类分析 | 第27-33页 |
| 3.2.1 贝叶斯原理 | 第27-28页 |
| 3.2.2 极大后验假设与极大似然假设 | 第28-29页 |
| 3.2.3 事件的独立性 | 第29页 |
| 3.2.4 朴素贝叶斯原理 | 第29-30页 |
| 3.2.5 基于朴素贝叶斯的农业文本分类方法实现 | 第30-32页 |
| 3.2.6 基于朴素贝叶斯的分类器分类性能分析 | 第32-33页 |
| 3.3 基于支持向量机的农业文本分类分析 | 第33-42页 |
| 3.3.1 最优超平面的构建 | 第33-35页 |
| 3.3.2 线性可分支持向量 | 第35-37页 |
| 3.3.3 线性不可分支持向量 | 第37-38页 |
| 3.3.4 核函数的选取 | 第38-41页 |
| 3.3.5 基于支持向量机的分类器分类性能分析 | 第41-42页 |
| 3.4 基于LSTM的农业文本分类分析 | 第42-47页 |
| 3.4.1 递归神经网络 | 第42-43页 |
| 3.4.2 LSTM原理 | 第43-45页 |
| 3.4.3 基于LSTM的农业文本分类方法实现 | 第45-46页 |
| 3.4.4 基于LSTM的分类器分类性能分析 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 基于机器学习的农业文本分类实验结果分析 | 第48-56页 |
| 4.1 分类精度 | 第48-50页 |
| 4.2 训练速度 | 第50-53页 |
| 4.3 泛化效果 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 总结及展望 | 第56-58页 |
| 5.1 总结 | 第56-57页 |
| 5.2 展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 攻读硕士期间发表论文 | 第63-64页 |
