?

?學習方法：使用樣例（或稱樣本，訓練集）來合成計算機程序的過程稱為學習方法[22]。

監督學習：學習過程中使用的樣例是由輸入/輸出對給出時，稱為監督學習[22]。最典型的監督學習例子就是文本分類問題，訓練集是一些已經明確分好了類別文檔組成，文檔就是輸入，對應的類別就是輸出。

非監督學習：學習過程中使用的樣例不包含輸入/輸出對，學習的任務是理解數據產生的過程 [22]。典型的非監督學習例子是聚類，類別的數量，名稱，事先全都沒有確定，由計算機自己觀察樣例來總結得出。

TSR（Term Space Reduction）：特征空間的壓縮，即降維，也可以叫做特征提取。包括特征選擇和特征抽取兩大類方法。

分類狀態得分（CSV，Categorization Status Value)：用于描述將文檔歸于某個類別下有多大的可信度。

準確率（Precision）：在所有被判斷為正確的文檔中，有多大比例是確實正確的。

召回率（Recall）：在所有確實正確的文檔中，有多大比例被我們判為正確。

假設：計算機對訓練集背后的真實模型（真實的分類規則）的猜測稱為假設。可以把真實的分類規則想像為一個目標函數，我們的假設則是另一個函數，假設函數在所有的訓練數據上都得出與真實函數相同（或足夠接近）的結果。

泛化性：一個假設能夠正確分類訓練集之外數據（即新的，未知的數據）的能力稱為該假設的泛化性[22]。

一致假設：一個假設能夠對所有訓練數據正確分類，則稱這個假設是一致的[22]。

過擬合：為了得到一致假設而使假設變得過度復雜稱為過擬合[22]。想像某種學習算法產生了一個過擬合的分類器，這個分類器能夠百分之百的正確分類樣本數據（即再拿樣本中的文檔來給它，它絕對不會分錯），但也就為了能夠對樣本完全正確的分類，使得它的構造如此精細復雜，規則如此嚴格，以至于任何與樣本數據稍有不同的文檔它全都認為不屬于這個類別！

超平面（Hyper Plane）：n維空間中的線性函數唯一確定了一個超平面。一些較直觀的例子，在二維空間中，一條直線就是一個超平面；在三維空間中，一個平面就是一個超平面。

線性可分和不可分：如果存在一個超平面能夠正確分類訓練數據，并且這個程序保證收斂，這種情況稱為線形可分。如果這樣的超平面不存在，則稱數據是線性不可分的[22]。

正樣本和負樣本：對某個類別來說，屬于這個類別的樣本文檔稱為正樣本；不屬于這個類別的文檔稱為負樣本。

規劃：對于目標函數，等式或不等式約束都是線性函數的問題稱為線性規劃問題。對于目標函數是二次的，而約束都是線性函數的最優化問題稱為二次規劃問題[22]。

對偶問題：

給定一個帶約束的優化問題

目標函數：min f(x)

約束條件：C(x) ≥0

可以通過拉格朗日乘子構造拉格朗日函數

L(x,λ)=f(x)- λTC(x)

令g(λ)= f(x)-λTC(x)

則原問題可以轉化為

目標函數：max g(λ)

約束條件：λ≥0

這個新的優化問題就稱為原問題的對偶問題（兩個問題在取得最優解時達到的條件相同）。

?

參考:

http://wiki.52nlp.cn/

http://www.blogjava.net/zhenandaci/category/31868.html

[1]李曉明，閆宏飛，王繼民，“搜索引擎——原理、技術與系統”.科學出版社，2004

[2]馮是聰, "中文網頁自動分類技術研究及其在搜索引擎中的應用," 北京大學,博士論文, 2003

[3]Y. Yang and X. Liu, "A re-examination of text categorization methods" presented at Proceedings of ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR'99), 1999.

[4]F. Sebastiani, "A tutorial on Automated Text Categorization", Proceedings of ASAI-99, 1st Argentinian Symposium on Artificial Intelligence, Buenos Aires, AR, 1999

[5]王濤：文本自動分類研究，圖書館學研究，2007.12

[6]周文霞：現代文本分類技術研究，武警學院學報，2007.12

[7]奉國和：自動文本分類技術研究，情報雜志，2007.12

[8]崔彩霞，張朝霞：文本分類方法對比研究，太原師范學院學報（自然科學版），2007.12

[9]吳軍：Google黑板報數學之美系列，http://googlechinablog.com

[10]劉霞，盧葦：SVM在文本分類中的應用研究，計算機教育，2007.1

[11]都云琪，肖詩斌：基于支持向量機的中文文本自動分類研究,計算機工程，2002，28(11)

[12]周昭濤，卜東波：文本的圖表示初探，中文信息學報，第19卷 第2期

[13]Baeza-Yates,R.and Ribeiro-Neto:Modern Information Retrieval,1st ed.Addison Wesley Longman,Reading,MA,1999

[14]唐春生，張磊：文本分類研究進展

[15]李莼，羅振聲：基于語義相關和概念相關的自動分類方法研究，計算機工程與應用，2003.12

[16]單松巍，馮是聰，李曉明：幾種典型特征選取方法在中文網頁分類上的效果比較，計算機工程與應用，2003.22

[17]Yiming Yang,Jan O Pedersen:A comparative Study on Feature Selection in Text Categorization, Proceedings of the Fourteenth International Conference on Machine Learning(ICML~97)，l997

[18]董振東：知網簡介，知網，http://www.keenage.com/zhiwang/c_zhiwang.html

[19]Tom M.Mitchell,”Machine Learning”,McGraw Hill Companies，1997

[20] Edda? Leopold, Jorg Kindermann,“Text Categorization with Support Vector Machines：How to Represent Texts in Input Space?”, Kluwer Academic Publishers,2002

[21] Thorsten Joachims,”Text Categorization with Support Vector Machines: Learning with Many Relevant Features”

[22]Nello Cristianini,An Introduction to Support Vector Machines and Other Kernel-based Learning Methods,Cambridge University Press,2000

[23]F. Sebastiani, "MACHINE LEARNING IN AUTOMATED TEXT CATEGORIZATION", ACM Computing Surveys, Vol. 34, No. 1, 2002

[24]TRS公司，TRS文本挖掘基礎件白皮書

[25]蘇金樹，張博鋒：基于機器學習的文本分類技術研究進展，Journal of Software,2006.9

總結

以上是生活随笔為你收集整理的文本分类入门(七)相关概念总结的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。