致 谢本论文是在我的导师邵良杉老师悉心指导下完成的。师从三载,收获颇丰,感触亦深。导师优秀的做人品质,渊博的知识,开拓创新的精神,给了我极大的帮助和影响。他忘我的工作精神以及严谨细致的治学之风给学生以潜移默化的典范作用。在这三年的研究生生活中,邵老师不仅为我们传授了丰富的知识,更教会了我们做人的道理。它将成为我最宝贵的财富,并永远激励着我在今后的人生道路上不断开拓进取,勇往直前。在此,我再一次向我的导师表示最诚挚的谢意!同时,我还要感谢我的父母,在我求学的十几年中,没有他们的鼓励和支持,我不会取得今天的成绩。他们的养育之恩我将铭记于心,在今后的人生路上,我要更加努力要将他们给我的爱加倍的回报给他们。最后,我还要感谢我的师兄邱云飞老师以及我的师妹们。他们对我的关心和帮助,让我从心底感到温暖,在这里我要再一次的向他们表示诚挚的感谢。摘 要在信息爆炸的时代,面对浩如烟海的信息,怎样有效地组织和管理这些信息并且快速准确地获得所需信息仍是一个亟待解决的问题。文本自动分类是一个有效的解决办法,它能够处理大量的文本,较大程度解决信息紊乱的现状,帮助用户方便准确地把握所需要的信息。支持向量机(SVM)是建立在结构风险最小化原则以及VC理论基础上的一种机器学习算法。由于它对特征相关性和稀疏性不敏感,对高维问题的处理具有较大的优势。因此,支持向量机在文本分类上具有应用前景。然而,使用支持向量机进行分类时总会出现在分界面附近的样本分类精度不高的问题。针对该缺点做了进一步的研究提出了一种改进K近邻的支持向量机算法。通过计算一些已知类别样本在不同阈值下的分类情况来自动确定最优阈值;同时将改进的加权KNN算法融合到支持向量机中力求在不增加支持向量机算法时间复杂度的基础上,减少分类超平面附近样本的错分率。最后,将改进算法应用到新闻分类系统中,实现新闻信息的文本归类,方便了用户阅读和浏览新闻。关键词:支持向量机;文本分类;K近邻算法;新闻分类系统AbstractIntheeraofinformationexplosion,facingthevoluminousinformation,anizeandmanagethesevastamountsofinformation,,(SVM)ismachinelearningalgorithm,-,,,itwasproposedanimprovedKNN-,plexityofsupportvectormachinebasis,,theimprovedKNN-SVMalgorithmappliedtothespecificsystemofnewsclassification,:SupportVectorMachine;TextClassification;KNearestNeighborAlgorithm;NewsClassificationSystem目 录摘 要...........................................................................................................IAbstract..............................
面向文本分类的改进k近邻的支持向量机算法研究-管理科学与工程专业毕业论文 来自淘豆网m.daumloan.com转载请标明出处.
