摘要: 针对文本分类问题中的特征降维问题,改进最大散度差鉴别准则,引入核变换作为前处理,使最大散度差鉴别准则可适用于更广泛的文本分类情形. 提出一种基于核的非线性鉴别方法用于文本特征抽取. 借助于核变换解决了散度差准则在用于文本分类时线性可分性较差的问题. 在最低限度减少信息损失的前提下实现了特征维数的大幅度减缩. 文本分类试验结果表明,这种非线性方法与无核的最大散度差方法相比,F1值提高了4.7%, 具有明显的效率上的优势.
中图分类号:
刘海峰;姚泽清;刘守生;王倩 . 文本分类中基于核的非线性判别[J]. 应用科学学报.
LIU Hai-feng;YAO Ze-qing;LIU Shou-sheng;WANG Qian . Kernel-Based Nonlinear Discriminant Method in Text Classification[J]. Journal of Applied Sciences.