基于支持向量机的聚类及文本分类关键技术研究PDF|Epub|txt|kindle电子书版本网盘下载

基于支持向量机的聚类及文本分类关键技术研究PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1 引言1

1.2 机器学习理论2

1.2.1 无监督学习3

1.2.2 有监督学习3

1.2.3 半监督学习3

1.2.4 增强学习4

1.3 支持向量机与聚类分析4

1.4 支持向量机与文本分类7

1.5 本书的主要工作10

第2章 支持向量机技术基础13

2.1 引言13

2.2 统计学习理论13

2.3 支持向量机技术16

2.3.1 支持向量分类机16

2.3.2 L2-支持向量机19

2.3.3 多类问题的决策方法21

2.3.4 支持向量回归机模型23

2.3.5 支持向量机研究现状24

2.4 支持向量聚类29

2.4.1 支持向量聚类模型29

2.4.2 影响支持向量聚类的关键因素32

2.5 本章小结40

第3章 双质心支持向量聚类41

3.1 引言41

3.2 噪声数据点消除策略43

3.2.1 噪声数据分布结构分析43

3.2.2 噪声数据消除算法45

3.3 双质心簇标定策略47

3.3.1 簇的分解策略47

3.3.2 单组件双质心的构造48

3.3.3 成员关系的判定规则50

3.3.4 算法描述51

3.4 DBC时间性能分析52

3.5 聚类实验分析53

3.5.1 数据集53

3.5.2 实验对比算法53

3.5.3 噪声数据消除实验54

3.5.4 DBC聚类效果测试57

3.5.5 DBC整体性能测试59

3.5.6 DBC模型的半监督应用测试60

3.6 本章小结60

第4章 基于凸分解的簇标定算法63

4.1 引言63

4.2 基于凸分解的簇标定算法64

4.2.1 簇在特征空间中的凸性质64

4.2.2 支持超凸多面体的凸分解65

4.2.3 凸包的标定算法72

4.2.4 标定非凸包样本76

4.3 CDCL算法时间性能分析76

4.4 聚类实验分析78

4.4.1 数据集78

4.4.2 实验对比算法79

4.4.3 CDCL算法适应能力分析80

4.4.4 CDCL算法整体性能测试82

4.5 本章小结87

第5章 快速支持向量聚类算法89

5.1 引言89

5.2 快速支持向量聚类算法（FASVC）90

5.2.1 选择簇边界样本90

5.2.2 构造超球面92

5.2.3 自适应的簇标定策略96

5.2.4 FASVC算法的实现97

5.3 FASVC时间性能及特点分析99

5.3.1 FASVC时间性能分析99

5.3.2 FASVC算法特点100

5.4 聚类实验分析101

5.4.1 数据集102

5.4.2 实验对比算法102

5.4.3 FASVC参数敏感性测试103

5.4.4 FASVC算法整体性能测试104

5.4.5 利用FASVC进行文本聚类110

5.4.6 利用FASVC识别P2P流量111

5.5 本章小结112

第6章 基于支持向量机的多模式文本分类研究113

6.1 引言113

6.2 文本表示的关键问题与启示114

6.2.1 场景1：特征的文档频率之外的信息116

6.2.2 场景2：最大值保留的特征权重与特征的多类别分布信息116

6.2.3 场景3：文本的结构信息118

6.3 基于支持向量机的多模式文本分类方案120

6.3.1 自适应的文本块划分算法120

6.3.2 兼顾类别贡献度和类间区分度的特征权重方案121

6.3.3 融合多类别倾向的特征类间区分能力强化方案122

6.3.4 基于文本块重要性分布加权的特征频率方案124

6.4 分类实验分析125

6.4.1 数据集125

6.4.2 实验对比方案127

6.4.3 评价指标129

6.4.4 CCE方案实验结果与分析130

6.4.5 C2TCTVT算法框架实验结果与分析135

6.4.6 NWET与N2WET组合方案实验结果与分析145

6.5 本章小结153

结束语154

参考文献158

名词索引180