分類特征轉(zhuǎn)化_第1頁
分類特征轉(zhuǎn)化_第2頁
分類特征轉(zhuǎn)化_第3頁
分類特征轉(zhuǎn)化_第4頁
分類特征轉(zhuǎn)化_第5頁
已閱讀5頁，還剩7頁未讀， 繼續(xù)免費閱讀

付費下載

下載本文檔

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進行舉報或認領(lǐng)

文檔簡介

分類特征優(yōu)化

分類特征轉(zhuǎn)化特征轉(zhuǎn)化SVM介紹

特征轉(zhuǎn)化/01特征轉(zhuǎn)化4除了文本特征提取，特征轉(zhuǎn)化也是非常重要的處理文本對象表示的方法。特征轉(zhuǎn)化，是指以新的特征代替以詞匯為核心的文本特征。特征轉(zhuǎn)化5對于向量維度相關(guān)性問題，以詞匯為中心的文本向量在各個維度上是具有相關(guān)性的，這會導致分類算法產(chǎn)生偏差?？梢圆扇「鞣N文本建模的方法對原始特征向量時行降維，包括LSI模型及LDA主題模型，文本在新的特征下的表示往往可以保證維度的獨立性，向量的維度規(guī)模也得到壓縮。新的文本特征對空間的利用更加有效。特征轉(zhuǎn)化6除了KNN，當前主要的分類算法僅能處理線性的分類邊界，無法對非線性的分類函數(shù)進行描述。因此，可以通過非線性的映射轉(zhuǎn)換獲得新的文本特征，在新的特征空間下挖掘線性分類邊界，從而對原始特征構(gòu)建非線性的分類邊界。這種處理方法在基于SVM的模型上具有十分廣泛的應(yīng)用。

SVM介紹/02SVM介紹8這里介紹以非線性映射為基礎(chǔ)的SVM,這種技術(shù)手段稱為核技巧。首先，定義輸入空間X和特征空間H:作為非線性映射，可以定義核函數(shù)為SVM介紹通過觀察上文中傳統(tǒng)的硬間隔SVM和軟間隔SVM可知，在解決優(yōu)化問題時不需要知道具體的xi和xj,只需要知道其乘積xixj的結(jié)果即可。在非線性的SVM中，可以采用核函數(shù)K(xi,xj)來代替xixj求解優(yōu)化問題。引入拉格朗日乘子后，原優(yōu)化問題的對偶問題形式可以寫為

判斷函數(shù)可以表示為

SVM介紹

無論是在優(yōu)化問題中還是在判別函數(shù)中，都只需要知道K（）的結(jié)果，無須知道具體的映射關(guān)系。在構(gòu)建非線性的SVM的時候，不用顯示地給出只需直接定義K（）即可。實踐證

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽，若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論