亞太傳統月

防曬

養生指南

薯片

拉麵

電飯煲

登入/註冊

繁體中文

English 简体中文繁體中文 한국어 日本語

{{sellerTotalView > 1 ? __("sellers", {number: sellerTotalView}) : __("seller", {number: sellerTotalView}) }}, {{numTotalView > 1 ? __("items", {number: numTotalView}) : __("item", {number: numTotalView}) }}

去購物車結算

Nickname

請告訴我們怎麼更好地稱呼你

更新你的名字

xxxxxxx@yamibuy.com

賬戶訂單收藏

積分 0

優惠券 0

禮品卡餘額 $0.00

退出登入

切換配送區域

不同區域的庫存和配送時效可能存在差異。

歷史郵編

我們將在商品到貨後第一時間通知你。

商品到貨後將發送通知至： {{remindEmail}}

取消

京東圖書

基于半监督与集成学习的文本分类方法

去購物車結算

{{buttonTypePin == 3 ? __("Scan to view more PinGo") : __("Scan to start")}}

圖書電腦與網際網路電腦理論、基礎知識

京東圖書

基于半监督与集成学习的文本分类方法

Name: 基于半监督与集成学习的文本分类方法
Brand: 京東圖書
SKU: 3118193261
Price: 26.03 USD
Availability: OutOfStock

{{__(":people-members", {'people': item.limit_people_count})}} {{ itemCurrency }}{{ item.valid_price }} {{ itemCurrency }}{{ item.invalid_price }} {{ itemDiscount }}

後結束

{{ itemCurrency }}{{ priceFormat(item.valid_price / item.bundle_specification) }}/{{ item.unit }}

{{ itemCurrency }}{{ item.valid_price }} {{ itemCurrency }}{{ priceFormat(item.valid_price / item.bundle_specification) }}/{{ item.unit }} {{ itemCurrency }}{{ item.invalid_price }} {{itemDiscount}}

後結束促銷

後開始秒殺後結束秒殺

{{ __( "Pay with Gift Card to get sale price: :itemCurrency:price", { 'itemCurrency' : itemCurrency, 'price' : (item.giftcard_price ? priceFormat(item.giftcard_price) : '0.00') } ) }} ({{ itemCurrency }}{{ priceFormat(item.giftcard_price / item.bundle_specification) }}/{{ item.unit }}) 詳情

商品有效期

已下架

我們不知道該商品何時或是否會重新有庫存。

當前地址無法配送

已售完

商品描述

展開全部描述

Content Description

文本分类技术广泛应用于新闻媒体、网络期刊文献、数字图书馆、互联网等领域，是人类处理海量文本信息的重要手段。
《基于半监督与集成学习的文本分类方法》重点探讨了利用信息论中的评估函数量化特征权值的方法；基于权值调整改进Co-training的算法；利用互信息或CHI统计量构造特征独立模型，进行特征子集划分的方法；基于投票熵维护样本权重的BoostVE分类模型；融合半监督学习和集成学习的SemiBoost-CR分类模型。
其中特征选择和权值调整方法、基于特征独立模型划分特征子集的方法适用于文本分类，其他算法不仅适用于文本分类，对机器学习和数据挖掘的其他研究也有较大的参考价值和借鉴作用。

Catalogue

第1章绪论
1.1 研究背景及意义
1.1.1 数据挖掘和文本挖掘
1.1.2 文本分类及其面临的问题
1.2 国内外相关研究
1.2.1 半监督学习
1.2.2 集成学习
1.3 本书内容组织

第2章文本分类技术概述
2.1 文本分类预处理
2.2 文本的表示
2.3 特征选择
2.3.1 初始特征选择
2.3.2 特征选择算法
2.4 文本分类算法
2.4.1 质心向量分类算法
2.4.2 K近邻分类算法
2.4.3 贝叶斯分类算法
2.4.4 关联规则分类算法
2.4.5 支持向量机
2.4.6 其他分类算法
2.5 实验数据集
2.6 分类模型的评估方法
2.7 本章小结

第3章 TEF-WA权值调整技术
3.1 特征选择存在的问题
3.2 TEF-WA权值调整技术
3.2.1 TEF-WA权值调整的基本思想
3.2.2 各种评估函数的TEF-WA权值调整
3.3 实验结果与分析
3.3.1 TEF-WA权值调整的有效性
3.3.2 不同评估函数的权值调整
3.3.3 评估比较
3.4 本章小结

第4章结合TEF-WA技术的Co-training改进算法
4.1 Co-training算法及其存在的问题
4.2 基于TEF-WA的特征多视图
4.2.1 TEF-WA技术
4.2.2 基于TEF-WA的特征多视图
4.3 基分类器间的差异性评估
4.4 TV-SC算法与TV-DC算法
4.5 实验结果及其分析
4.6 本章小结

第5章基于特征独立模型的Co-training改进算法
5.1 特征独立模型
5.1.1 基于条件互信息的相互独立性
5.1.2 基于条件2统计量的相互独立性
5.1.3 特征独立模型
5.2 特征子集划分算法PMID
5.3 基于MID-Model的改进算法SC-PMID
5.4 实验结果及其分析
5.4.1 PMID-MI与PART-Rnd的实验比较
5.4.2 PMID-CHI与PART-Rnd的实验比较
5.4.3 PMID-MI、PMID-CHI和PART-Rnd的实验比较
5.4.4 SC-PMID-MI、SC-PMID-CHI和SC-PART-Rnd的
实验比较
5.5 本章小结

第6章基于投票信息熵和多视图的AdaBoost改进算法
6.1 AdaBoost算法
6.1.1 AdaBoost算法描述
6.1.2 AdaBoost提升NB文本分类器的问题
6.2 利用特征评估函数构造多视图
6.3 基于投票信息熵的样本权重维护新策略
6.3.1 投票信息熵
6.3.2 基于投票信息熵的样本权重维护新策略
6.3.3 样本权重对NB文本分类器的扰动
6.4 BoostVE算法
6.4.1 BoostVE算法描述
6.4.2 BoostVE算法的最小训练错误上界
6.5 实验结果及其分析
6.5.1 参数对BoostVE算法性能的影响
6.5.2 Boost VE算法与AdaBoost-MV算法、
AdaBoost算法的实验比较
6.5.3 BoostVE 算法提升NB文本分类器的有效性
6.6 本章小结

第7章结合半监督学习的SemiBoost-CR分类模型
7.1 SemiBoost-CR模型的目标函数
7.2 未标注样本的置信度
7.2.1 基于K近邻的置信度
7.2.2 基于最大差距的置信度
7.3 基于置信度的重取样策略
7.4 样本权重维护策略
7.5 SemiBoost-CR分类算法
7.6 实验结果及其分析
7.6.1 未标注近邻样本对置信度conf1的影响
7.6.2 两种置信度方法conf1和conf2的实验比较
7.6.3 topN和bottomN对SemiBoost-CR模型的影响
7.7 本章小结

第8章文本自动分类系统SECTCS
8.1 系统简介
8.2 系统总体结构
8.3 系统的用户界面
8.4 实验数据集
8.5 本章小结
结束语
参考文献

Book Abstract

《基于半监督与集成学习的文本分类方法》：
②根据特征的辨别能力，筛选出一定数量的特征；
③调整特征的权重，强调辨别能力强的特征，抑制没有辨别能力或辨别能力低的特征。
步骤①的实现通常是构造一种特征评估函数来计算每个特征的辨别能力。常用的评估函数是从信息论中延伸出来的，用于给各个特征词条打分，很好地反映了词条与各类之间的相关程度，如文本频率（Document Frequency）、信息增益（Information Gain）、期望交叉熵（Expected Cross Entropy）、互信息（Mutual Information）、x2统计量（CHI）、单词权（Term Strength）、文本证据权（the Weight ofEvidence for Text）和几率比（Odds Ratio）等。特征的辨别能力由评估分的高低来衡量。
步骤②的实现有两种方法：方法一，设置一个评估分阈值，低于该阈值的特征被删除；方法二，设置一个保留特征数阈值，必须先按照特征的评估分排序，保留排在前面的预定数量的特征。这两种方法各有优缺点。方法一的优点是不需要排序算法，时间效率高；缺点是评估分的阈值难以确定，它与评估函数有关，并且随着训练文本集的改变而变化。方法二的阈值比较好确定，缺点是必须按排序评估分排序，即使采用快速排序法，时间复杂度也是O（nlogn），n是训练文本集的特征总数。
作者提出了一种改进方法——评估分阈值比率法，综合了二者的优点。评估分阈值比率法先计算出所有特征的评估分的平均值aver score，然后设置一个比率阈值thred pi，这比方法一指定常数阈值要容易得多，而且不需要方法二中的排序过程，提高了时间效率。
步骤③一般是构造一种权重调整策略。如果没有这一步，就是普通的特征选择。权重调整的目的是突出重要的特征、抑制次要的特征。TF—IDF权重函数根据特征的逆文本频率IDF调整权重。分析TFIDF权重函数，逆文本频度IDF不能很好地反映特征的重要性，然而使用文本处理中的一些常用的评估函数独立地给每个特征打分，评估分的高低能够很好地代表特征的重要性，因此很自然地想到使用一些常用的评估函数代替逆文本频度IDF进行权重调整，这就是作者的TEF—WA（Term Evaluation Function—WeightAdjustment）权值调整技术的基本思想。新的权值函数称为TF—TEF权重函数，TEF（Term Evaluation Function）代表特征评估函数，TF—TEF权重公式如下。
……

規格參數

品牌

京東圖書

品牌屬地

China

免責聲明

產品價格、包裝、規格等資訊如有調整，恕不另行通知。我們盡量做到及時更新產品資訊，但請以收到實物為準。使用產品前，請始終閱讀產品隨附的標籤、警告及說明。

查看詳情

加入收藏

{{ $isZh ? coupon.coupon_name_sub : coupon.coupon_ename_sub | formatCurrency }}

詳情

數量

{{buttonTypePin == 3 ? __("Scan to view more PinGo") : __("Scan to start")}}

由 JD@CHINA 銷售

送至

滿69免運費

正品保證

查看詳情

地區

已加入購物車

繼續逛逛

為你推薦

優惠券

領取已領取已領完

即將過期： {{ formatTime(coupon.use_end_time) }}

分享給好友

取消

亞米禮卡專享價

使用禮卡支付即可獲得禮卡專享價

規則說明

禮卡專享價是部分商品擁有的特殊優惠價格；

購買禮卡專享價商品時，若在結算時使用電子禮卡抵扣支付，且禮卡餘額足夠支付訂單中所有禮卡專享價商品的專享價總和，則可以啟用禮卡專享價；

不使用禮卡支付，或禮卡餘額不滿足上一條所述要求時，將無法啟用禮卡專享價，按照普通售價計算，但您仍然可以購買這些商品；

在購買禮卡專享價商品時，若餘額不足，可以在購物車或結算頁中點擊“充值”按鈕對禮卡進行購買和充值；

商品若擁有禮卡專享價，會顯示“專享”的特殊價格標記；

如有疑問，請隨時聯繫客服；

禮卡專享價相關規則最終解釋權歸亞米所有。

由亞米銷售

服務保障

滿$49免運費

無憂退換

從美國出貨

配送資訊

美國

標準配送 $5.99（不含阿拉斯加，夏威夷），最終價滿$49免運費

本地配送$5.99(加州，紐約州，新澤西，麻省和賓夕法尼亞，以上州部分地區);最終價滿$49免運費

兩日達（含阿拉斯加夏威夷）運費19.99美元起

退換政策

亞米網希望為我們的客戶提供最優秀的售後服務，讓所有人都能放心在亞米購物。亞米自營商品在滿足退換貨條件的情況下，可在收到包裹的30天之內退換商品（食品因商品質量問題7天內可退換；為了確保每位客戶都能獲得安全和高質量的商品，對於美妝類產品，一經開封或使用即不提供退款或退貨服務，質量問題除外；其他特殊商品需聯繫客服諮詢）。
感謝您的理解和支持。

查看詳情

由亞米銷售

亞米電子禮品卡使用規則

若購買時選擇自動儲值，訂單完成後禮品卡將自動儲值至您的帳戶；

若購買時選擇發送郵件，訂單完成後系統將自動發送卡號和密碼到您填寫的郵箱；

寄送郵件時，任何使用者均可使用郵件中的卡號密碼進行禮卡儲值，請妥善保管郵件資訊。

如接收郵件遇到問題，請聯絡客服處理；

發送郵件時，若禮卡沒有被兌換，可以補發郵件。若已經被其他用戶兌換，無法補償；

亞米網電子禮卡可用於購買自營或第三方商品；

亞米網電子禮卡沒有有效期限限制，長期有效；

亞米網電子禮卡的金額，可分多次使用；

亞米網電子禮卡業務規則，最終解釋權歸亞米網所有。

退換政策

已消費的電子禮卡不支持退款。

由 JD@CHINA 銷售

亞米發貨

服務保障

滿$49免運費

最優售後

美國本土出貨

配送資訊

美國

標準配送 $5.99（不含阿拉斯加，夏威夷），最終價滿$49免運費

本地配送$5.99(加州，紐約州，新澤西，麻省和賓夕法尼亞，以上州部分地區);最終價滿$49免運費

兩日達（含阿拉斯加夏威夷）運費19.99美元起

退換政策

提供30天內退還保障。產品需全新未使用原包裝內，並附有購買憑證。產品品質問題、或錯發漏發等,由商家造成的失誤，將進行補發,或退款處理。其它原因需退貨費用由客戶自行承擔。

由 JD@CHINA 銷售

Yami-China FC

服務保障

跨店滿$69免運費

30天退換保障

亞米-中國集運倉

由亞米從中國精選並集合各大優秀店舖的商品至亞米中國整合中心，合併包裹後將一次合包跨國郵寄至您的地址。跨店包郵門檻低至$69。您將在多商家集合提供的廣泛選購商品中選購商品，輕鬆享有跨店鋪包郵後的低郵資。

退換政策

提供30天內退換保障。產品需在全新未使用的原包裝內，並附有購買憑證。產品品質問題、錯發、或漏發等商家造成的失誤，將進行退款處理。其它原因造成的退換貨郵費客戶將需要自行承擔。由於所有商品均長途跋涉，偶有簡易外包壓磨等但不涉及內部品質問題者，不予退換。

配送資訊

亞米中國集運 Consolidated Shipping 運費$9.99（訂單滿$69 包郵）

下單後2個工作天中國商家出貨，所有包裹抵達亞米中國整合中心（除特別情況及中國境內個別法定假日外）會合併包裹後透過UPS發往美國。 UPS從中國出貨後到美國境內的平均時間為10個工作天左右，可隨時根據直發單號追蹤查詢。受疫情影響，目前物流可能延遲5天左右。包裹需要客人簽收。如未簽收，客人須承擔包裹遺失風險。

由 JD@CHINA 銷售

服務保障

滿69免運費

正品保證

配送資訊

Yami Consolidated Shipping 運費$9.99（訂單滿$69包郵）

Seller will ship the orders within 1-2 business days. The logistics time limit is expected to be 7-15 working days. In case of customs clearance, the delivery time will be extended by 3-7 days. The final receipt date is subject to the information of the postal company.

積分規則

不參加任何折扣活動以及亞米會員積分制度。

退換政策

下載亞米應用

意見反饋

返回頂部

評論{{'('+ commentList.posts_count + ')'}}

分享您的感受，幫助更多用戶做出選擇。

撰寫評論

{{i}}星

{{i}} 星

{{ parseInt(commentRatingList[i]) }}%

{{ showTranslate(comment) }}收起

{{ strLimit(comment,800) }}查看全部

Show Original

{{ formatTime(comment.in_dtm) }} 已購買 {{groupData}}

{{ comment.likes_count }} {{ comment.likes_count }} {{ comment.reply_count }} {{comment.in_user==uid ? __('Delete') : __('Report')}}

{{ showTranslate(comment) }}收起

{{ strLimit(comment,800) }}查看全部

Show Original

{{ formatTime(comment.in_dtm) }} 已購買 {{groupData}}

{{ comment.likes_count }} {{ comment.likes_count }} {{ comment.reply_count }} {{comment.in_user==uid ? __('Delete') : __('Report')}}

暫無符合條件的評論~

更多評論

評論詳情

{{ showTranslate(commentDetails) }}收起

{{ strLimit(commentDetails,800) }}查看全部

Show Original

{{ formatTime(commentDetails.in_dtm) }} 已購買 {{groupData}}

請輸入內容

回覆{{'(' + replyList.length + ')'}}

{{ reply.reply_user_name }}回覆{{ reply.parent_user_name }}

{{ showTranslate(reply) }}收起

{{ strLimit(reply,800) }}查看全部

Show Original

請輸入內容

取消

這是到目前為止的所有評論！

發表評論

商品評分

請輸入評論

一個好的暱稱，會讓你的評論更受歡迎！
修改了這裡的暱稱，個人資料中的暱稱也將被修改。

感謝你的評論

你的好評可以幫助我們的社區發現更好的亞洲商品。