| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第8-11页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 研究现状 | 第8-9页 |
| 1.3 本文研究内容及组织构架 | 第9-11页 |
| 1.3.1 本文研究内容 | 第9页 |
| 1.3.2 组织构架 | 第9-11页 |
| 第二章 文本分类概述 | 第11-35页 |
| 2.1 问题描述 | 第11页 |
| 2.2 文本分类框架 | 第11-12页 |
| 2.3 数据预处理 | 第12-13页 |
| 2.4 文本表示 | 第13-17页 |
| 2.4.1 特征项表示 | 第13-14页 |
| 2.4.2 文本表示模型 | 第14-17页 |
| 2.5 特征降维 | 第17-24页 |
| 2.5.1 特征选择 | 第17-22页 |
| 2.5.2 特征提取 | 第22-24页 |
| 2.6 分类模型 | 第24-31页 |
| 2.6.1 K-近邻 | 第25-26页 |
| 2.6.2 支持向量机 | 第26-30页 |
| 2.6.3 朴素贝叶斯 | 第30-31页 |
| 2.7 性能评价 | 第31-35页 |
| 2.7.1 评价方法 | 第31-32页 |
| 2.7.2 评价标准 | 第32-35页 |
| 第三章 基于潜变量的PCA降维方法 | 第35-42页 |
| 3.1 主成分分析理论 | 第35-37页 |
| 3.1.1 主成分的定义 | 第35-36页 |
| 3.1.2 主成分的求解 | 第36页 |
| 3.1.3 主成分的性质 | 第36-37页 |
| 3.1.4 累计贡献率 | 第37页 |
| 3.2 基于潜变量的PCA降维理论 | 第37-39页 |
| 3.2.1 基于潜变量的特征表示方法 | 第37-38页 |
| 3.2.2 基于潜变量表示的性质 | 第38-39页 |
| 3.3 基于潜变量的PCA特征降维可行性分析 | 第39-41页 |
| 3.4 基于潜变量的PCA特征降维算法 | 第41-42页 |
| 第四章 实验分析 | 第42-48页 |
| 4.1 数据集 | 第42-43页 |
| 4.2 预处理及特征表示 | 第43页 |
| 4.3 分类器选择及评价标准 | 第43页 |
| 4.4 实验结果 | 第43-48页 |
| 4.4.1 基于潜变量的PCA降维分类效果分析 | 第43-45页 |
| 4.4.2 基于潜变量的PCA降维对累计贡献率的影响 | 第45-48页 |
| 第五章 总结与展望 | 第48-50页 |
| 5.1 本文总结 | 第48页 |
| 5.2 不足及改进方向 | 第48-49页 |
| 5.3 未来展望 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 致谢 | 第54页 |