10.3321/j.issn:0254-4164.2007.08.009
一种基于增量学习型矢量量化的有效文本分类算法
KNN作为一种简单的分类方法在文本分类中有广泛的应用,但存在着计算量大和训练文档分布不均所造成的分类准确率下降等同题.针对这些问题,基于最小化学习误差的增量思想,该文将学习型矢量量化(LVQ)和生长型神经气(GNG)结合起来提出一种新的增量学习型矢量量化方法,并将其应用到文本分类中.文中提出的算法对所有的训练样本有选择性地进行一次训练就可以生成有效的代表样本集,具有较强的学习能力.实验结果表明:这种方法不仅可以降低KNN方法的测试时间,而且可以保持甚至提高分类的准确性.
学习型矢量量化(LVQ)、生长型神经气(GNG)、学习误差、类间距离、学习概率
30
TP181(自动化基础理论)
2007-10-08(万方平台首次上网日期,不代表论文的发表时间)
共9页
1277-1285