基于机器学习的文本分类算法改进与实现
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 国内和国外研究现状 | 第11-12页 |
| 1.3 研究目标和研究内容 | 第12-13页 |
| 1.4 本文的组织结构 | 第13-16页 |
| 第2章 文本分类相关技术与理论 | 第16-26页 |
| 2.1 文本分类相关理论 | 第16-17页 |
| 2.2 文本预处理 | 第17-18页 |
| 2.3 特征选择 | 第18-20页 |
| 2.3.1 文档频率 | 第19页 |
| 2.3.2 信息增益 | 第19页 |
| 2.3.3 X~2统计量 | 第19-20页 |
| 2.4 特征加权 | 第20-21页 |
| 2.5 分类算法 | 第21-24页 |
| 2.5.1 支持向量机SVM | 第21-22页 |
| 2.5.2 朴素贝叶斯算法 | 第22-23页 |
| 2.5.3 K-邻近算法 | 第23-24页 |
| 2.6 分类性能评估 | 第24-25页 |
| 2.6.1 查全率 | 第25页 |
| 2.6.2 查准率 | 第25页 |
| 2.6.3 F1值 | 第25页 |
| 2.7 本章小结 | 第25-26页 |
| 第3章 基于互信息的特征提取算法改进 | 第26-34页 |
| 3.1 传统互信息算法 | 第26-27页 |
| 3.2 互信息算法的不足 | 第27-29页 |
| 3.3 基于互信息的特征提取算法改进 | 第29-33页 |
| 3.3.1 针对负相关、分散度的改进 | 第29-31页 |
| 3.3.2 针对频度、集中度的改进 | 第31-32页 |
| 3.3.3 基于互信息的改进型特征提取算法 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 基于实数编码遗传算法的特征加权改进 | 第34-40页 |
| 4.1 特征加权算法相关介绍 | 第34-36页 |
| 4.1.1 特征加权方法概念 | 第34-35页 |
| 4.1.2 特征加权算法步骤 | 第35-36页 |
| 4.2 基于实数编码遗传算法的特征加权 | 第36-38页 |
| 4.2.1 实数编码遗传算法 | 第36-37页 |
| 4.2.2 基于遗传算法的特征选择 | 第37-38页 |
| 4.3 本章小结 | 第38-40页 |
| 第5章 基于关联规则的KNN分类算法改进 | 第40-48页 |
| 5.1 KNN基本原理 | 第40-43页 |
| 5.1.1 KNN分类算法 | 第40-43页 |
| 5.2 关联规则 | 第43-44页 |
| 5.3 基于关联规则的KNN改进算法 | 第44-46页 |
| 5.3.1 基本思路 | 第44-45页 |
| 5.3.2 算法描述 | 第45-46页 |
| 5.4 本章小结 | 第46-48页 |
| 第6章 实验与分析 | 第48-60页 |
| 6.1 基于互信息的特征提取改进算法 | 第48-51页 |
| 6.1.1 实验方法 | 第48页 |
| 6.1.2 数据集处理 | 第48页 |
| 6.1.3 实验结果 | 第48-51页 |
| 6.2 基于实数编码遗传算法的特征加权实验 | 第51-54页 |
| 6.2.1 实验设计 | 第51页 |
| 6.2.2 实验结果 | 第51-54页 |
| 6.3 基于关联规则的KNN分类算法实验 | 第54-58页 |
| 6.3.1 实验设计 | 第54-55页 |
| 6.3.2 实验结果 | 第55-58页 |
| 6.4 本章小结 | 第58-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间取得的研究成果 | 第66-68页 |
| 致谢 | 第68页 |
