基于SVM的文本分类系统设计与实现开题报告
2022-01-04 20:47:21
全文总字数:1877字
1. 研究目的与意义及国内外研究现状
支持向量机(support vector machines,svm) 是建立在统计学习理论vc维理论和结构风险 小化原理基础上的机器学习方法。
它在解决小样本、 非线性和高维模式识别问题中表现出许多特有的优 势,并在很大程度上克服了“维数灾难”和“过学 习”等问题。
此外,它具有坚实的理论基础,简单 明了的数学模型,因此,在模式识别、回归分析、 函数估计、时间序列预测等领域都得到了长足的发 展,并被广泛应用于文本识别、手写字体识别、 人脸图像识别、基因分类及时间序列预测等。
剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!
2. 研究的基本内容
1、理解SVM深度学习算法的设计原理;2、编码实现SVM深度学习算法;3、基于公共数据平台,做大量的实验,记录整理实验数据;4、基于上述实验数据,分析SVM算法的优缺点。
3. 实施方案、进度安排及预期效果
在指导教师的指导下,查阅相关文献,进行相关实验,按期开展论文工作。
4. 参考文献
- 支持向量机系列,pluskid:http://blog.pluskid.org/?page_id=683;
- http://www.360doc.com/content/07/0716/23/11966_615252.shtml;
- 数据挖掘十大经典算法初探;
- 《模式识别支持向量机指南》,C.J.C Burges 著;
- 《统计学习方法》,李航著(第7章有不少内容参考自支持向量机导论一书,不过,可以翻翻看看);
- 《统计自然语言处理》,宗成庆编著,第十二章、文本分类;
- SVM入门系列,Jasper:http://www.blogjava.net/zhenandaci/category/31868.html;
- 斯坦福大学机器学习课程原始讲义:http://www.cnblogs.com/jerrylead/archive/2012/05/08/2489725.html;
- 斯坦福机器学习课程笔记:http://www.cnblogs.com/jerrylead/tag/Machine Learning
剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付