بررسی معیارهای دسته بندی متن بر روی سه دسته بندNaive Bayes و J و 48 SVM
سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 997
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NCECN01_040
تاریخ نمایه سازی: 7 بهمن 1393
چکیده مقاله:
در این مقاله سه دسته بند ماشین بردار پشتیبان، درخت تصمیم و بیز ساده در مرحله ی یادگیری مورد استفاده قرار گرفته اند وکارایی آنها با استفاده از معیار های دسته بندی متن شامل دقت، فراخوانی، F-Measure، درستی و خطای دسته بندی مورد مقایسه قرار گرفته است. ارزیابی انجام شده بر روی مجموعه داده های اخبار رویترز_21578 بوده و نتایج حاصل از دسته بندی توسط این الگوریتم ها نشان دهنده ی بهینه تر بودن معیار های ارزیابی توسط دسته بند SVM نسبت به J48 و Naive Bayes بوده است.
کلیدواژه ها:
نویسندگان
معصومه علی نژاد
دانشجوی کارشناسی ارشد،گروه کامپیوتر، دانشگاه آزاد اسلامی واحد علوم و تحقیقات خوزستان، اهواز، ایران.
ایمان عطارزاده
استادیار و عضو هیئت علمی، گروه کامپیوتر، دانشگاه آزاد اسلامی واحد دزفول، دزفول، ایران
ابراهیم بهروزیان نژاد
استادیار و عضو هیئت علمی، گروه کامپیوتر، دانشگاه آزاد اسلامی واحد شوشتر، شوشتر، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :