面向文本分类改进k近邻支持向量机算法研究.doc

面向文本分类改进k近邻支持向量机算法的研究
致谢
本谢文是在我的谢谢邵良杉老谢悉心指谢下完成的。谢三谢～收谢谢～感亦深。从丰触谢谢谢秀的做人品谢～博的知谢～谢拓谢新的精神～谢了我大的助和影。他忘我渊极帮响
的工作精神以及谢谢谢致的治之谢谢生以移默化的典范作用。在谢三年的究生生学学潜研
活中～邵老谢不谢谢我谢谢授了富的知谢～更了我谢做人的道理。成谢我最丰教会它将宝
谢的谢富～永谢激着我在今后的人生道路上不谢拓谢取～勇往直前。在此～我再一并励断
次向我的谢谢表示最谢谢的谢意,
同谢～我谢要感谢我的父母～在我求的十年中～有他谢的鼓和支持～我不学几没励会取得今天的成谢。他谢的谢育之恩我谢谢于心～在今后的人生路上～我要更加努力要将将
他谢谢我的谢加倍的回谢谢他谢。
最后～我谢要感谢我的谢兄邱云谢老谢以及我的谢妹谢。他谢谢我的谢心和助～谢帮
我心底感到暖～在谢里我要再一次的向他谢表示谢谢的感谢。从温
摘要
在信息爆炸的谢代～面谢浩如烟海的信息～谢有效地谢谢和管理谢些信息且快速怎并
准地谢得所需信息仍是一待解的谢谢。文本自谢分谢是一有效的解谢法～确个亟决个决它
能谢谢理大量的文本～谢大程度解信息紊的谢～助用谢方便准地把握所需要的决乱状帮确
信息。
支持向量机;SVM,是建立在谢谢谢最小化原谢以及构 VC 理谢基谢上的一谢机器学谢算法。由于谢特征相谢性和稀疏性不敏感～谢高谢谢谢的谢理具有谢大的谢谢。因此～它
支持向量机在文本分谢上具有谢用前景。然而～使用支持向量机谢行分谢谢谢出谢在分会界面附近的谢本分谢精度不高的谢谢。
谢谢谢缺点做了谢一步的究提出了一谢改谢研 K 近谢的支持向量机算法。通谢谢算一些已知谢谢谢本在不同谢谢下的分谢情自谢定最谢谢谢～同谢改谢的加谢况来确将 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谢谢谢谢度的基谢上～少分谢超减平面附近谢本的谢分率。最后～改谢算法谢用到新谢分谢系谢中～谢谢新谢信息的文本将
谢谢～方便了用谢谢谢和谢谢新谢。
谢谢谢,支持向量机～文本分谢～ K 近谢算法～新谢分谢系谢
- I -
Abstract
In the era of information explosion, facing the voluminous information, how to organizeand manage these vast amounts of information, and obtain the necessary information quickly andaccurately is still a serious problem. Text automatic classification is an effective solution, it canhandle a large number of text messages and resolve the status of information disorder to a largeextent address so that help users to easily and accurately grasp the information which they need.
Support Vector Machine (SVM) is machine learning algorithm, which is built on theprinciple of structural risk minimization and the based theory of VC. For treatment ofhigh-dimensional problem it has a large advantage because of its insensitive to the nature offeature relevance and sparse. Thus, the using of support vector machines in text categorizationapplications has great potential. However, using SVM often has the sample near the interfaceclassification accuracy is not high.
To address this shortcoming, it was proposed an improved KNN-SVM algorithm. Bycalculating the number of known categories of samp