基于统计方法的中文文本分类
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 研究概述 | 第9-11页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外文本分类的研究进展 | 第9-10页 |
| 1.3 本文的研究方法 | 第10页 |
| 1.4 内容结构安排 | 第10-11页 |
| 第二章 分类算法简介 | 第11-24页 |
| 2.1 KNN算法 | 第11-13页 |
| 2.1.1 KNN算法的思想 | 第11-13页 |
| 2.1.2 最近邻分类算法的特征 | 第13页 |
| 2.2 SVM分类算法 | 第13-20页 |
| 2.2.1 SVM理论概述 | 第13页 |
| 2.2.2 最大边缘超平面 | 第13-15页 |
| 2.2.3 线性决策边界 | 第15-16页 |
| 2.2.4 线性分类器的边缘 | 第16页 |
| 2.2.5 学习线性SVM模型 | 第16-17页 |
| 2.2.6 线性支持向量机:不可分情况 | 第17-18页 |
| 2.2.7 非线性支持向量机 | 第18-20页 |
| 2.2.8 支持向量机的特征 | 第20页 |
| 2.3 组合学习分类方法 | 第20-24页 |
| 2.3.1 组合学习的思想 | 第20页 |
| 2.3.2 装袋 | 第20-21页 |
| 2.3.3 提升 | 第21-22页 |
| 2.3.4 随机森林 | 第22-24页 |
| 第三章 中文文本的预处理 | 第24-29页 |
| 3.1 中文分词原理的解说 | 第24-26页 |
| 3.1.1 基于理解的分词方法 | 第24页 |
| 3.1.2 基于字符串匹配的分词方法 | 第24-25页 |
| 3.1.3 基于统计的分词方法 | 第25-26页 |
| 3.2 利用R语言进行中文分词 | 第26页 |
| 3.3 文本特征的表示 | 第26-29页 |
| 第四章 中文文本分类实例 | 第29-43页 |
| 4.1 数据集的描述 | 第29-30页 |
| 4.2 模型的评估方法 | 第30页 |
| 4.3 模型的训练 | 第30-39页 |
| 4.3.1 KNN分类模型 | 第30-32页 |
| 4.3.2 SVM模型 | 第32-34页 |
| 4.3.3 组合学习方法 | 第34-39页 |
| 4.4 模型的比较与评价 | 第39-42页 |
| 4.5 缺陷与不足 | 第42-43页 |
| 第五章 总结 | 第43-44页 |
| 参考文献 | 第44-45页 |
| 附录 | 第45-54页 |
| 致谢 | 第54页 |
