مقایسه ی عملکردی الگوریتمهای KNN و SVM در دسته بندی متون

مقایسه ی عملکردی الگوریتمهای KNN و SVM در دسته بندی متون


  • 342 بازدید

در این سلسله مقالات به مفاهیم و کاربرد های داده‌کاوی، متن کاوی و علوم مرتبط با علم داده پرداخته می‌شود. با توجه به حجم عظیم مقالات تولید شده در زبان فارسی در حوزه داده کاوی و علم داده، آکادمی داده تصمیم گرفت مقالات فارسی منتشر شده در این حوزه را خلاصه برداری کرده و در اختیار علاقه مندان قرار دهد. این مقالات ابتدا با معرفی موضوع و کارهای انجام شده آغاز می شود و سپس مجموعه داده یا دیتاست تحقیق ارائه می شود و سپس پیاده سازی انجام شده در رپیدماینر، وکا یا پایتون ارائه شده و نتایج تحلیل می شود.

در این رشته نوشته ها ابتدا خلاصه ای از مقاله ارائه شده و سپس نتیجه گیری مقاله عینا آورده می گردد و سپس فایل پی دی اف آن نیز برای دانلود در اختیار محققین و پژوهشگران عزیز قرار می گیرد.

 

پس از بررسی و مقایسه های انجام گرفته از الگوریتم ماشین بردار پشتیبان و نزدیکترین همسایه، هر دو الگوریتم جهت طبقه بندی متون استفاده شدند. استفاده از الگوریتم SVM برای طبقه بندی متون نتایج بهتری از نظر صحت نشان میدهد، همچنین روش ترکیبی الگوریتم SVM و KNN برای طبقه بندی متون فارسی استفاده میشود که در این میان ترکیب این دو الگوریتم موجب افزایش کارایی و دقت سیستم ترکیب طبقه بندها میشود. روش کلی بر مبنای روش یادگیری ماشین استوار است که دو فاز یادگیری و تست را در بر میگیرد. الگوریتم های طبقه بند، اطلاعات در مورد طبقه ها را پس از انجام بررسی های لازم در فاز یادگیری بدست می آورد، پس از ساخته شدن بردار ویژگی، با الگوریتم KNN و SVM طبقه بندی مناسبی را بر روی متون انجام داده که این عمل موجب بهینه شدن و دقت در سیستم طبقه بندی میشود.
 

 

این مقاله از طریق لینک قابل دسترسی است و محققین علاقه مند می توانند آن را به صورت رایگان دریافت نمایند. 


کپی برداری بدون ذکر منبع، بر اساس قانون جرائم اینترنتی و مادۀ 12 فصل سوم قانون جرائم رایانه ای غیر قانونی بوده و مجازات جزای نقدی و حبس دارد و شرعا نیز حرام است! 
اگر در زمینه داده کاوی در حال تحقیق یا پیاده سازی پروژه تجاری یا پایان نامه هستید برای گرفتن مشاوره یا دادن سفارش انجام با ما تماس بگیرید.  آکادمی داده در تلگرام، واتزآپ و تمامی پیام رسان های ایرانی(سروش، آی گپ، بله و ویسپی) با شماره 09120637751 حضور دارد برای ارتباط از طریق ایمیل آدرس جیمیل: dataacademyir@gmail.com می باشد. 


افتخار آکادمی داده، همسفر بودن با شما در راه یادگیری علم داده است.