1. Trang chủ
  2. » Luận Văn - Báo Cáo

LUẬN VĂN:PHÂN LỚP BÁN GIÁM SÁT VÀ ỨNG DỤNG THUẬT TOÁN SVM VÀO PHÂN LỚP TRANG WEB potx

47 496 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 47
Dung lượng 588,04 KB

Nội dung

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ Nguyễn Thị Hải Yến PHÂN LỚP BÁN GIÁM SÁT ỨNG DỤNG THUẬT TOÁN SVM VÀO PHÂN LỚP TRANG WEB KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY Ngành: Công nghệ thông tin HÀ NỘI - 2007 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ Nguyễn Thị Hải Yến PHÂN LỚP BÁN GIÁM SÁT ỨNG DỤNG THUẬT TOÁN SVM VÀO PHÂN LỚP TRANG WEB KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY Ngành: Công nghệ thông tin Cán bộ hướng dẫn: PGS – TS Hà Quang Thụy Cán bộ đồng hướng dẫn: ThS. Đặng Thanh Hải HÀ NỘI – 2007 LỜI CẢM ƠN Trước tiên, em xin bày tỏ lòng biết ơn chân thành sâu sắc nhất tới Thầy giáo, PGS-TS Hà Quang Thụy Thầy giáo, ThS. Đặng Thanh Hải đã tận tình hướng dẫn, động viên, giúp đỡ em trong suốt quá trình thực hiện đề tài. Em xin gửi lời cảm ơn sâu sắc tới quý Thầy Cô trong Khoa Công nghệ thông tin đã truyền đạt kiến thức quý báu cho em trong những năm học vừa qua. Em xin gửi lời cảm ơn các anh chị trong nhóm seminar về khai phá dữ liệu đã nhi ệt tình chỉ bảo trong quá trình em làm khoá luận. Con xin nói lên lòng biết ơn đối với Ông Bà, Cha Mẹ luôn là nguồn chăm sóc, động viên trên mỗi bước đường học vấn của con. Xin chân thành cảm ơn các Anh Chị Bạn bè, đặc biệt là các thành viên trong lớp K48CD đã ủng hộ, giúp đỡ động viên tôi trong suốt thời gian học tập bốn năm trên giảng đường đại học thực hiện đề tài. Mặc dù đã cố gắng hoàn thành luận v ăn trong phạm vi khả năng cho phép nhưng chắc chắn sẽ không tránh khỏi những thiếu sót. Em kính mong nhận được sự cảm thông tận tình chỉ bảo của quý Thầy Cô các Bạn. Em xin chân thành cảm ơn! Hà Nội, ngày 31 tháng 05 năm 2007 Sinh viên Nguyễn Thị Hải Yến TÓM TẮT NỘI DUNG Hiện nay, với một lượng lớn các dữ liệu thì phân lớp dữ liệu có vai trò rất quan trọng, là một trong những bài toán luôn thời sự trong lĩnh vực xử lý dữ liệu văn bản. Một yêu cầu cơ bản được đặt ra là cần tăng tính hiệu quả của thuật toán phân lớp, nâng cao giá trị của các độ đo hồi tưởng, chính xác của thuật toán. Mặt khác, nguồn tài nguyên về ví dụ h ọc có nhãn không phải luôn được đáp ứng vì vậy cần có các thuật toán phân lớp sử dụng các ví dụ chưa có nhãn. Phân lớp bán giám sát đáp ứng được hai yêu cầu nói trên [5, 7, 8, 16, 17]. Các thuật toán phân lớp bán giám sát tận dụng các nguồn dữ liệu chưa gán nhãn rất phong phú có trong tự nhiên kết hợp với một số dữ liệu đã được gán nhãn cho sẵn. Trong những năm gần đây, phương pháp sử dụng bộ phân loại máy hỗ trợ vector (Support Vector Machine - SVM) được quan tâm sử dụng nhiều trong lĩnh vực nhận dạng phân loại. Từ các công trình khoa học [4, 7, 8, 11] được công bố cho thấy phương pháp SVM có khả năng phân loại khá tốt đối với bài toán phân loại văn bản cũng như trong nhiều ứng dụng khác. Trong khoá luận này, em khảo sát thuật toán học bán giám sát SVM trình bày các nội dung về phần m ềm SVMlin do V. Sindhwani đề xuất [18]. Trong năm 2006- 2007, V. Sindhwani đã dùng SVMlin tiến hành phân lớp văn bản từ nguồn 20- Newsgroups cho các kết quả tốt [14,15]. MỤC LỤC MỞ ĐẦU 9 Chương 1 TỔNG QUAN VỀ PHÂN LỚP BÁN GIÁM SÁT 11 1.1. Phân lớp dữ liệu 11 1.1.1. Bài toán phân lớp dữ liệu 11 1.1.2. Quá trình phân lớp dữ liệu 12 1.2. Phân lớp văn bản 13 1.2.1. Đặt vấn đề 13 1.2.2. Mô hình vector biểu diễn văn bản 14 1.2.3. Phương pháp phân lớp văn bản 19 1.2.4. Ứng dụng của phân lớp văn bản 19 1.2.5. Các bước trong quá trình phân lớp văn bản 20 1.2.6. Đánh giá mô hình phân lớp 22 1.2.7. Các yếu tố quan trọng tác động đến phân lớp văn bản 23 1.3. Một số thuật toán học máy phân lớp 23 1.3.1. Học có giám sát 23 1.3.1.1. Bài toán học có giám sát 23 1.3.1.2. Giới thiệu học có giám sát 24 1.3.1.3. Thuật toán học có giám sát k-nearest neighbor (kNN) 25 1.3.1.4. Thuật toán học có giám sát Support vector machine (SVM) 26 1.3.2. Thuật toán phân lớp sử dụng quá trình học bán giám sát 27 1.3.2.1. Khái niệm 27 1.3.2.2. Lịch sử phát triển sơ lược của học bán giám sát 28 1.3.2.3. Một số phương pháp học bán giám sát điển hình 29 Chương 2 SỬ DỤNG SVM BÁN GIÁM SÁT SVM VÀO BÀI TOÁN PHÂN LỚP 32 2.1. SVM – Support Vector Machine 32 2.1.1. Thuật toán SVM 33 2.1.2. Huấn luyện SVM 35 2.1.3. Các ưu thế của SVM trong phân lớp văn bản 35 2.2. Bán giám sát SVM phân lớp trang Web 37 2.2.1. Giới thiệu về bán giám sát SVM 37 2.2.2. Phân lớp trang Web sử dụng bán giám sát SVM 38 2.2.2.1. Giới thiệu bài toán phân lớp trang Web (Web Classification) 38 2.2.2.3. Áp dụng S3VM vào phân lớp trang Web 39 Chương 3 THỬ NGHIỆM HỌC BÁN GIÁM SÁT PHÂN LỚP TRANG WEB 41 3.1. Giới thiệu phần mềm SVMlin 41 3.2. Download SVMlin 42 3.3. Cài đặt 42 3.4. Cách sử dụng phần mềm 42 KẾT LUẬN 45 Những công việc đã làm được của khoá luận 45 Hướng nghiên cứu trong thời gian tới 45 TÀI LIỆU THAM KHẢO 46 I. Tiếng Việt 46 II. Tiếng Anh 46 DANH SÁCH BẢNG TỪ VIẾT TẮT Ký hiệu viết tắt Cụm từ kNN k Nearest Neighbor SVM Support Vector Machine S3VM Semi Supervised Support Vector Machine DANH MỤC HÌNH ẢNH Hình 1. Bài toán phân lớp. Hình 2. Văn bản được biểu diễn là vector đặc trưng. Hình 3. Sơ đồ khung quá trình phân lớp văn bản. Hình 4. Siêu phẳng h phân chia dữ liệu huấn luyện thành 2 lớp + - với khoảng cách biên lớn nhất. Các điểm gần h nhất là các vector hỗ trợ (Support Vector - được khoanh tròn). Hình 5. Phương pháp học bán giám sát Self-training. Hình 6. Phương pháp học bán giám sát Co-training. MỞ ĐẦU Trong những năm gần đây, sự phát triển vượt bậc của công nghệ thông tin đã làm tăng số lượng giao dịch thông tin trên mạng Internet một cách đáng kể đặc biệt là thư viện điện tử, tin tức điện tử… Do đó mà số lượng văn bản xuất hiện trên mạng Internet cũng tăng với một tốc độ chóng mặt, tốc độ thay đổi thông tin là cự c kỳ nhanh chóng. Với số lượng thông tin đồ sộ như vậy, một yêu cầu lớn đặt ra là làm sao tổ chức tìm kiếm thông tin, dữ liệu có hiệu quả nhất. Bài toán phân lớp là một trong những giải pháp hợp lý cho yêu cầu trên. Nhưng một thực tế là khối lượng thông tin quá lớn, việc phân lớp dữ liệu thủ công là điều không thể. Hướng giải quyết là một chương trình máy tính tự động phân l ớp các thông tin dữ liệu trên. Tuy nhiên, khi xử lý các bài toán phân lớp tự động thì gặp phải một số khó khăn là để xây dựng được bộ phân lớp có độ tin cậy cao đòi hỏi phải có một lượng lớn các mẫu dữ liệu huấn luyện tức là các văn bản đã được gán nhãn lớp tương ứng. Các dữ liệu huấn luyện này thường rất hiếm đắt vì đòi hỏi thời gian công s ức của con người. Do vậy cần phải có một phương pháp học không cần nhiều dữ liệu gán nhãn có khả năng tận dụng được các nguồn dữ liệu chưa gán nhãn rất phong phú như hiện nay, phương pháp học đó là học bán giám sát. Học bán giám sát chính là cách học sử dụng thông tin chứa trong cả dữ liệu chưa gán nhãn tập huấn luyện, phương pháp học này được sử dụng rất phổ bi ến vì tính tiện lợi của nó. Vì vậy, khoá luận tập trung vào nghiên cứu bài toán phân lớp sử dụng quá trình học bán giám sát, việc áp dụng thuật toán bán giám sát máy hỗ trợ vector (Support Vector Machine – SVM) vào phân lớp trang Web. Nội dung của khoá luận được trình bày bao gồm 3 chương. Tổ chức cấu trúc như sau: • Chương 1 Tổng quan về phân lớp bán giám sát. Phần đầu trình bày khái quát về bài toán phân lớp dữ liệu, phân lớp văn bản, một số nét sơ bộ về học có giám sát. Phần cuối của chương giới thiệu các nội dungbản về phương pháp học bán giám sát, trong đó đã giới thiệu một số thuật toán học bán giám sát điển hình. • Chương 2 Sử dụng SVM bán giám sát SVM vào bài toán phân l ớp. Khóa luận trình bày những bước hoạt động cơ bản nhất của thuật toán SVM, sau đó nghiên cứu thuật toán học bán giám sát SVM, một cải tiến của SVM được trình bày trong [11]. Khoá luận trình bày một số áp dụng học bán giám sát vào bài toán phân lớp trang Web trong phần cuối cùng của chương. • Chương 3 Hệ thống thử nghiệm phân loại trang Web đánh giá. Trình bày kết quả nghiên cứu của V. Sindhwani về phần mềm nguồn mở SVMlin [14, 15, 18] mà do chính tác giả đề xuất công bố. Các nghiên cứu này cho thấy phần mềm SVMlin phân lớp bán giám sát văn bản cho độ chính xác cao. [...]... Hỡnh 2 Vn bn c biu din l vector c trng Biu din trang Web Cỏc trang Web v bn cht l siờu vn bn Ngoi cỏc vn bn v cỏc thnh phn a phng tin, cỏc trang Web cũn bao gm nhng c trng nh l cỏc siờu liờn kt (Hyperlink), cỏc th HTML v cỏc d liu bin i (meta data) Hu ht cỏc nghiờn cu cho thy rng cỏc thnh phn vn bn ca cỏc trang Web cung cp thụng tin chớnh cho cụng vic phõn lp Web trong khi nhng thnh phn khụng phi vn bn... cỏc trang Web lỏng ging bng cỏch b sung thờm cỏc t khoỏ xut hin trong on vn bn lõn cn vi siờu liờn kt Trong khoỏ lun ny, chỳng ta s nghiờn cu cỏch biu din trang Web theo mụ hỡnh vector vỡ nú l mt phng phỏp rt ph bin hin nay Vi vic s dng cỏc thụng tin liờn kt nhm tng chớnh xỏc tỡm kim cng nh phõn lp cỏc trang Web nờn cn thit phi a thờm cỏc thụng tin v cỏc trang Web lỏng ging vo vector biu din ca trang. .. tng tỡm kim khụng phi l cỏc trang Web n na m l c mt Website [2, 9] Trong lnh vc vn bn truyn thng t trc n nay thỡ thụng thng vn thc hin cỏc cụng vic nh biu din, tỡm kim, phõn lp trờn c s xem trang Web nh l cỏc trang vn bn thụng thng v s dng mụ hỡnh khụng gian vector biu din vn bn Vic s dng siờu liờn kt gia cỏc trang Web cú th ly c thụng tin v mi liờn h gia ni dung cỏc trang, v da vo ú nõng cao hiu qu... din trang Web, vi mi mc ớch khỏc nhau thỡ s cú cỏch biu din trang Web riờng Trong cỏc mỏy tỡm kim nh Yahoo, Altavista, Google khụng s dng mụ hỡnh vector m s dng h thng t khoỏ múc ni song khụng biu din ni dung vn bn Hin nay cỏch tip cn biu din Website l mt cỏch tip cn nhn c nhiu s quan tõm ca nhiu ngi trờn th gii, i tng quan tõm khụng phi l Webpage m l Website, ngha l i tng tỡm kim khụng phi l cỏc trang. .. thụng tin v cỏc trang Web lỏng ging vo vector biu din ca trang ang xột Tn ti bn cỏch biu din trang Web theo mụ hỡnh vector nh sau [2]: Cỏch th nht Mi t khúa trong mt trang Web c lu tr cựng tn s xut hin nú trong trang Web Cỏch ny b qua tt c cỏc thụng tin v v trớ ca t khoỏ trong trang, th t ca cỏc t trong trang cng nh cỏc thụng tin v siờu liờn kt Trong nhiu trng hp khi m cỏc ti liu ó liờn kt c lp vi... hai S dng cỏc thụng tin v liờn kt ca trang Web, múc ni nú ti cỏc trang lỏng ging to ra mt siờu trang (super document) Vector biu din bao gm cỏc t xut hin trong mt trang cựng vi tt c cỏc t xut hin trong cỏc trang lỏng ging ca nú cựng vi tn s xut hin ca cỏc t Cỏch ny b qua thụng tin v v trớ ca cỏc t trong trang v th t ca chỳng Nhc im ca cỏch ny l lm loóng i ni dung ca trang m chỳng ta ang quan tõm Tuy... cỏc trang lỏng ging ca mt trang Web cú th lm loóng ni dung ca nú Nu thụng tin ca cỏc trang lỏng ging ny hu ớch cho quỏ trỡnh phõn lp mt trang no ú thỡ mỏy hc vn cú th truy cp n ton b ni dung ca chỳng hc Cỏch th t Xõy dng mt vector cú cu trỳc: 1 Xỏc nh mt s d c xem l bc cao nht ca cỏc trang trong tp 2 Xõy dng mt vector cu trỳc vi d + 1 phn nh sau a Phn u tiờn biu din chớnh ti liu ca mt trang Web b... dng trớch lc thụng tin trờn Internet Hin nay, cú rt nhiu trang Web thng mi qung cỏo hoc cỏc trang web phn ng, cú vn hoỏ khụng lnh mnh, vỡ mc ớch lm tng lng ngi truy cp, chỳng tr trn vo kt qu tr v ca mỏy tỡm kim, chỳng vo hũm th ca chỳng ta theo chu k v gõy nhiu phin toỏi, cỏc ng dng c th l lc th rỏc (spam mail), lc trang web phn ng, cỏc trang web khụng lnh mnh Nh vy phõn lp vn bn l cụng c khụng th thiu... cỏch la chn tt trong trng hp cn biu din mt tp cỏc trang Web cú ni dung v cựng mt ch , nhng hin nay s lng cỏc trang Web liờn kt ti nhau cú cựng mt ch tng i ớt, vỡ vy cỏch biu din ny him khi c s dng Cỏch th ba Dựng mt vector cu trỳc biu din trang Web Mt vector cú cu trỳc c chia mt cỏch logic thnh hai phn hoc nhiu hn Mi phn c s dng biu din mt tp cỏc trang lỏng ging di ca mt vector c nh nhng mi phn... l i t ú ta cú phng trỡnh tng quỏt ca siờu phng tỡm ra c bi thut toỏn SVM l: f(x1, x2,, xn) = C + wi xi (2.5) Vi i = 1,, n Trong ú n l s d liu hun luyn Sau khi ó tỡm c phng trỡnh ca siờu phng bng thut toỏn SVM, ỏp dng cụng thc ny tỡm ra nhón lp cho cỏc d liu mi 2.1.2 Hun luyn SVM Hun luyn SVM l vic gii bi toỏn quy hoch ton phng SVM Cỏc phng phỏp s gii bi toỏn quy hoch ny yờu cu phi lu tr mt ma trn . Giới thiệu về bán giám sát SVM 37 2.2.2. Phân lớp trang Web sử dụng bán giám sát SVM 38 2.2.2.1. Giới thiệu bài toán phân lớp trang Web (Web Classification). pháp học bán giám sát, trong đó đã giới thiệu một số thuật toán học bán giám sát điển hình. • Chương 2 Sử dụng SVM và bán giám sát SVM vào bài toán phân

Ngày đăng: 14/03/2014, 17:20

Nguồn tham khảo

Tài liệu tham khảo Loại Chi tiết
1. Nguyễn Việt Cường (2006). Sử dụng các khái niệm tập mờ trong biểu diễn văn bản và ứng dụng vào bài toán phân lớp văn bản. Khóa luận tốt nghiệp đại học, Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội Sách, tạp chí
Tiêu đề: Khóa luận tốt nghiệp đại học
Tác giả: Nguyễn Việt Cường
Năm: 2006
2. Phạm Thị Thanh Nam (2003). Một số giải pháp cho bài toán tìm kiếm trong CSDL Hypertext. Luận văn tốt nghiệp cao học, Khoa Công nghệ, ĐHQGHN, 2003 Sách, tạp chí
Tiêu đề: Luận văn tốt nghiệp cao học
Tác giả: Phạm Thị Thanh Nam
Năm: 2003
3. Trần Thị Oanh (2006). Thuật toán self-training và co-training ứng dụng trong phân lớp văn bản. Khóa luận tốt nghiệp đại học, Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội.II. Tiếng Anh Sách, tạp chí
Tiêu đề: Khóa luận tốt nghiệp đại học
Tác giả: Trần Thị Oanh
Năm: 2006
4. Aixin Sun, Ee-Peng Lim, Wee-Keong Ng. Sun (2002). Web classification using support vector machine. Proceedings of the 4th International Workshop on Web Information and Data Management, McLean, Virginia, USA, 2002 (ACM Press) Sách, tạp chí
Tiêu đề: Proceedings of the 4th International Workshop on Web Information and Data Management
Tác giả: Aixin Sun, Ee-Peng Lim, Wee-Keong Ng. Sun
Năm: 2002
5. Balaij Krishnapuuram, David Williams, Ya Xue,k Alex Hartemink, Lawrence Carin, Masrio A.T.Figueiredo (2005). On Semi-Supervised Classification. NIPS:721-728, 2005 Sách, tạp chí
Tiêu đề: NIPS
Tác giả: Balaij Krishnapuuram, David Williams, Ya Xue,k Alex Hartemink, Lawrence Carin, Masrio A.T.Figueiredo
Năm: 2005
6. H-J.Oh, S.H.Myaeng, and M-H.Lee (2000). A practical hypertext categorization method using links and incrementally available class information. Proc of the 28rd ACM SIGIR2000: 264-271, Athens, GR, 2000 Sách, tạp chí
Tiêu đề: Proc of the 28rd ACM SIGIR2000
Tác giả: H-J.Oh, S.H.Myaeng, and M-H.Lee
Năm: 2000
7. Kristin P. Bennett, Ayhan Demiriz (1998). Semi-Supervised Support Vector Machines. NIPS 1998: 368-374 Sách, tạp chí
Tiêu đề: NIPS 1998
Tác giả: Kristin P. Bennett, Ayhan Demiriz
Năm: 1998
8. Linli Xu, Dale Schuurmans (2005). Unsupervised and Semi-Supervised Multi- Class Support Vector Machines. AAAI 2005: 904-910 Sách, tạp chí
Tiêu đề: AAAI 2005
Tác giả: Linli Xu, Dale Schuurmans
Năm: 2005
9. M. Craven and S.Slattery (2001). Relational learning with statistical predicate invention: Better models for hypertext. Machine Learning, 43(1-2):97-119, 2001 Sách, tạp chí
Tiêu đề: Machine Learning
Tác giả: M. Craven and S.Slattery
Năm: 2001
10. Panu Erastox (2001). Support Vector Machines: Background and Practice. Academic Dissertation for the Degree of Licentiate of Philosophy. University of Helsinki, 2001 Sách, tạp chí
Tiêu đề: Academic Dissertation for the Degree of Licentiate of Philosophy
Tác giả: Panu Erastox
Năm: 2001
11. Paul Pavlidis, llan Wapinski, and William Stafford Noble (2004). Support vector machine classification on the web. BIOINFORMATICS APPLICATION NOTE.20(4), 586-587 Sách, tạp chí
Tiêu đề: BIOINFORMATICS APPLICATION NOTE
Tác giả: Paul Pavlidis, llan Wapinski, and William Stafford Noble
Năm: 2004
13. T. Joachims (2003). Transductive learning via spectral graph partitioning. Proceeding of The Twentieth International Conference on Machine Learning (ICML2003): 290-297 Sách, tạp chí
Tiêu đề: Proceeding of The Twentieth International Conference on Machine Learning (ICML2003)
Tác giả: T. Joachims
Năm: 2003
14. V. Sindhwani, S. S. Keerthi (2006). Large Scale Semi-supervised Linear SVMs. SIGIR 2006 Sách, tạp chí
Tiêu đề: SIGIR
Tác giả: V. Sindhwani, S. S. Keerthi
Năm: 2006
15. V. Sindhwani, S.S. Keerthi (2007). Newton Methods for Fast Solution of Semi- supervised Linear SVMs. Large Scale Kernel Machines, MIT Press, 2005 16. Xiaojin Zhu (2005). Semi-Supervised Learning with Graphs. PhD thesis, CarnegieMellon University, CMU-LTI-05-192, May 2005 Sách, tạp chí
Tiêu đề: Large Scale Kernel Machines", MIT Press, 2005 16. Xiaojin Zhu (2005). Semi-Supervised Learning with Graphs. "PhD thesis, Carnegie "Mellon University
Tác giả: V. Sindhwani, S.S. Keerthi (2007). Newton Methods for Fast Solution of Semi- supervised Linear SVMs. Large Scale Kernel Machines, MIT Press, 2005 16. Xiaojin Zhu
Năm: 2005
17. Xiaojin Zhu (2006). Semi-Supervised Learning Literature Survey. Computer Sciences TR 1530, University of Wisconsin – Madison, February 22, 2006 Sách, tạp chí
Tiêu đề: Computer Sciences TR 1530
Tác giả: Xiaojin Zhu
Năm: 2006
12. T. Joachims (1999). Transductive Inference for Text Classification using Support Vector Machines. International Conference on Machine Learning (ICML), 1999 Khác

HÌNH ẢNH LIÊN QUAN

DANH SÁCH BẢNG VÀ TỪ VIẾT TẮT - LUẬN VĂN:PHÂN LỚP BÁN GIÁM SÁT VÀ ỨNG DỤNG THUẬT TOÁN SVM VÀO PHÂN LỚP TRANG WEB potx
DANH SÁCH BẢNG VÀ TỪ VIẾT TẮT (Trang 7)
Quá trình phân lớp dữ liệu thường gồm hai bước: xây dựng mơ hình (tạo bộ phân lớp) và sử dụng mơ hình đĩ để phân lớp dữ liệu - LUẬN VĂN:PHÂN LỚP BÁN GIÁM SÁT VÀ ỨNG DỤNG THUẬT TOÁN SVM VÀO PHÂN LỚP TRANG WEB potx
u á trình phân lớp dữ liệu thường gồm hai bước: xây dựng mơ hình (tạo bộ phân lớp) và sử dụng mơ hình đĩ để phân lớp dữ liệu (Trang 12)
Hình 1. Bài  toán phân lớp - LUẬN VĂN:PHÂN LỚP BÁN GIÁM SÁT VÀ ỨNG DỤNG THUẬT TOÁN SVM VÀO PHÂN LỚP TRANG WEB potx
Hình 1. Bài toán phân lớp (Trang 12)
Hình 2. Văn bản được biểu diễn là vector đặc trưng - LUẬN VĂN:PHÂN LỚP BÁN GIÁM SÁT VÀ ỨNG DỤNG THUẬT TOÁN SVM VÀO PHÂN LỚP TRANG WEB potx
Hình 2. Văn bản được biểu diễn là vector đặc trưng (Trang 16)
Hình 2. Văn bản được biểu diễn là vector đặc trưng - LUẬN VĂN:PHÂN LỚP BÁN GIÁM SÁT VÀ ỨNG DỤNG THUẬT TOÁN SVM VÀO PHÂN LỚP TRANG WEB potx
Hình 2. Văn bản được biểu diễn là vector đặc trưng (Trang 16)
Hình sau là một sơ đồ khung cho việc phân lớp văn bản, trong đĩ bao gồm ba cơng đoạn chính:   - LUẬN VĂN:PHÂN LỚP BÁN GIÁM SÁT VÀ ỨNG DỤNG THUẬT TOÁN SVM VÀO PHÂN LỚP TRANG WEB potx
Hình sau là một sơ đồ khung cho việc phân lớp văn bản, trong đĩ bao gồm ba cơng đoạn chính: (Trang 21)
Hình sau là một sơ  đồ khung cho việc phân lớp văn bản, trong đó bao gồm ba  công đoạn chính: - LUẬN VĂN:PHÂN LỚP BÁN GIÁM SÁT VÀ ỨNG DỤNG THUẬT TOÁN SVM VÀO PHÂN LỚP TRANG WEB potx
Hình sau là một sơ đồ khung cho việc phân lớp văn bản, trong đó bao gồm ba công đoạn chính: (Trang 21)
1.2.6. Đánh giá mơ hình phân lớp - LUẬN VĂN:PHÂN LỚP BÁN GIÁM SÁT VÀ ỨNG DỤNG THUẬT TOÁN SVM VÀO PHÂN LỚP TRANG WEB potx
1.2.6. Đánh giá mơ hình phân lớp (Trang 22)
Hình sau minh hoạ cho thuật tốn này: - LUẬN VĂN:PHÂN LỚP BÁN GIÁM SÁT VÀ ỨNG DỤNG THUẬT TOÁN SVM VÀO PHÂN LỚP TRANG WEB potx
Hình sau minh hoạ cho thuật tốn này: (Trang 27)
Hình sau minh hoạ cho thuật toán này: - LUẬN VĂN:PHÂN LỚP BÁN GIÁM SÁT VÀ ỨNG DỤNG THUẬT TOÁN SVM VÀO PHÂN LỚP TRANG WEB potx
Hình sau minh hoạ cho thuật toán này: (Trang 27)
Hình 6. Phương pháp học bán giám sát Co-training - LUẬN VĂN:PHÂN LỚP BÁN GIÁM SÁT VÀ ỨNG DỤNG THUẬT TOÁN SVM VÀO PHÂN LỚP TRANG WEB potx
Hình 6. Phương pháp học bán giám sát Co-training (Trang 31)

TỪ KHÓA LIÊN QUAN

TRÍCH ĐOẠN

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w