基于支持向量机的文本分类方法研究
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 文本分类的研究现状 | 第12-13页 |
| 1.2.2 支持向量机的研究现状 | 第13-15页 |
| 1.3 论文的主要内容及结构 | 第15-17页 |
| 第2章 文本分类的相关技术 | 第17-25页 |
| 2.1 文本分类概述 | 第17-18页 |
| 2.1.1 文本分类的任务 | 第17页 |
| 2.1.2 文本分类的过程 | 第17-18页 |
| 2.2 文本预处理 | 第18-19页 |
| 2.3 特征选取 | 第19-21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页 |
| 2.3.4 x~2统计量 | 第20-21页 |
| 2.4 文本表示 | 第21-22页 |
| 2.5 常用的文本分类算法 | 第22-24页 |
| 2.5.1 朴素贝叶斯 | 第22-23页 |
| 2.5.2 类中心向量 | 第23页 |
| 2.5.3 K近邻 | 第23-24页 |
| 2.5.4 支持向量机 | 第24页 |
| 2.6 本章小结 | 第24-25页 |
| 第3章 支持向量机 | 第25-35页 |
| 3.1 支持向量分类机 | 第25页 |
| 3.2 线性支持向量机 | 第25-30页 |
| 3.2.1 线性可分问题 | 第25-29页 |
| 3.2.2 线性不可分问题 | 第29-30页 |
| 3.3 非线性支持向量机 | 第30-31页 |
| 3.4 多类支持向量机 | 第31-33页 |
| 3.4.1 一对一支持向量机 | 第32-33页 |
| 3.4.2 一对多支持向量机 | 第33页 |
| 3.5 本章小结 | 第33-35页 |
| 第4章 一种改进的支持向量机两类分类方法 | 第35-51页 |
| 4.1 前言 | 第35-36页 |
| 4.2 改进的SVM两类分类算法的思想 | 第36-40页 |
| 4.2.1 基于引导抽样的数据清理 | 第37-39页 |
| 4.2.2 基于最大信息熵的信息模式提取 | 第39-40页 |
| 4.3 改进的SVM两类分类算法的步骤 | 第40-41页 |
| 4.4 实验环境与实验数据 | 第41-43页 |
| 4.5 实验结果 | 第43-49页 |
| 4.5.1 抽样比例P的影响 | 第43-45页 |
| 4.5.2 弱SVMs个数的影响 | 第45-47页 |
| 4.5.3 消除的支持向量个数 | 第47-48页 |
| 4.5.4 对比试验 | 第48-49页 |
| 4.6 本章小结 | 第49-51页 |
| 第5章 一种改进的支持向量机多类分类方法 | 第51-61页 |
| 5.1 前言 | 第51-52页 |
| 5.2 改进的SVM多类分类算法的思想 | 第52-54页 |
| 5.3 改进的SVM多类分类算法的步骤 | 第54-55页 |
| 5.4 实验环境与实验数据 | 第55-57页 |
| 5.5 实验结果 | 第57-59页 |
| 5.5.1 相关参数的选择 | 第57-58页 |
| 5.5.2 对比实验 | 第58-59页 |
| 5.6 本章小结 | 第59-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67页 |
