文本分类中不平衡数据的处理
更新时间:2023-04-23 09:04:01 阅读量: 实用文档 文档下载
文本分类中不平衡数据的处理
中山大学
硕士学位论文
文本分类中不平衡数据的处理
姓名:骆凯敏
申请学位级别:硕士
专业:应用数学
指导教师:姚正安
20050527
文本分类中不平衡数据的处理
中山大学硕士学位论文:文本分类中不平衡数据的处理
文本分类中不平衡数据的处理
专业:应用数学
硕(博)士生:骆凯敏
指导教师:姚正安教授
摘要
随着计算机软硬件技术的飞速发展,计算机的各种应用已经深入到我们日常生活的每一个角落.生活中大量的电子文本使得人们难以对其进行整理,因为传统的信息检索方法只针对于以纸张存储的信息,对电子文本的存储格式则无用武之地.于是学者开始运用各种机器学习、数据挖掘的方法对电子文本进行处理,以便人们对其进行检索,从中搜寻有用信息.在各种相关的研究中,文本分类(TextCategorization)是学者研究的一个热点.
文本分类的方法很多,诸如朴素贝叶斯分类方法、决策树分类方法、基于实例的分类方法、支持向量机分类方法等.评价分类方法的好坏会使用分准率(Precision)、分全率(Recall)、Fl值或是使用它们的均值.在以往的大部分文本分类论文中,学者倾向于使用Fl的微观均值.使用F1微观均值可以从总体上综合评价分类器的分类效果,但是掩盖了少数类分类精度低的翊题.因为在少数类只占很小比重的文本分类应用中,Fl微观均值与多数类的F1值只会有很小的差别,而多数类的F1值往往都是很高的.
本文针对文本分类中少数类分类精度低的问题展开讨论,从处理不平衡数据的角度。运用处理不平衡数据的方法——权重润饰、向下取样,提高少数类的分类精度.关键词:文本分类机器学习权重润饰向下取样
文本分类中不平衡数据的处理
中山大学硕士学位论文:文本分类中不平衡数据的处理
ImbalancedDataProcessiIlgiIlTextCategorization
Major:AppliedMathematics
N锄e:LuoKaimin
anSupervisor:YaoZheng
ABSTRACT
Therapiddevelopmentofcomputer
usesciencehasimpactedourwayofliving.Especiallytheextensive
toofofficeautomationsystem,itleadsarethegenerationof
processenormousdigitaldocuments,whichinformationretrievalintractableOnetousingtraditional
totechniques.iⅢportantproblemishow
categories,effectivelyclassifydocumentsintodifferentaswhichisknowntextcategorization.
Alotofmethodshavebeenproposedtosolvetheprobleminmachinelearningparadigm,suchasNaiveBayes
soClassifier,on.DecisionTreetheClassifier,
methodscanSupportVectorMachineandTheperformanceofFlbemeasuredbyPrecisionvalue,
BecauseoftheslightRecallvalue,valueandvalueoftheiraverage.differencebetweenFl
majorityclassesandmicroFlvalue,mostofthepreviousworkspreferredtousemicroF1valuetomeasurethe910balperformanceofaclassifier,though
Intheysufferthispaper,10wprecisioninminorityclasses.wepayattentiontotheperfor腿nceoftheminority
techniquesofclassandatteIIlpttoimprovetheirprecisionbyusingsome
imbalanceddataprocessing.Aweight—retouchingmethodandundersamplingbaye6e鲫takenfntDaccount.妒ehaye
causesb0册thatt^ejmbajanceddataprocessing
class,
KeytechniqueswilliIIlprovementinprecisionofminoritywhileitwon’tblemishtheglobalTextCategorization,Machineperformance.Learning,Weight—retouching'Words:
Undersampling-II.
文本分类中不平衡数据的处理
中山大学硕士学位论文:文本分类中不平衡数据的处理
符号
∥Pc西fD,z:分准率
只:第f类的分准率
m口croP:分准率的宏观均值
聊fc阳P:分准率的微观均值
,口c棚:分全率
r:第f类的分全率
删口c阳R:分全率的宏观均值
埘f仃。矗:分全率的微观均值
卯:真实正例的数目
跫:第i类真实正例的数目,第,类下标为J
胛:虚假正例的数目
耻:第f类虚假正例的数目,第-,类下标为,
剧:虚假反例的数目
川:第f类虚假反例的数目,第,类下标为J
历c:文档集合
吐:第,篇文档
c=k,c2,.¨,%}:标签集合,其中q表示第j个标签
肌:为标签集合的基数
Ⅳ:文档集的文档总数
矿:单词频率
∥:文档频率
彬:反向文档频率f:泛指单词,可作为下标使用
文本分类中不平衡数据的处理
中山大学硕士学位论文:文本分类中不平衡数据的处理
爿:单词,与种类c一起出现的文本数
口:单词r出现而种类c没有出现的文本数
E:种类c出现而单词r没有出现的文本数
D:单词r与种类c都没有出现的文本数
厅:假设(hypothesis)
孤:训练数据或训练集(TrainingSet)
T:单词集合
lrJ:单词集合的基数
文本分类中不平衡数据的处理
中山大学硕士学位论文:文本分类中不平衡数据的处理
第1章引言
1。1论文背景
过去的十年,基于内容的文档管理,即信息检索在信息系统领域受到了人们的重视.这主要是因为在日常生活中各种电子文档出现得越来越多,人们对于以一种快捷的方法来管理这些文档的需求与日俱增.于是文本分类——用预定义的标签集来标记自然语言文本,便作为管理电子文档的一种方法被人们所关注.
文本分类的提出可以追述到上世纪六十年代初期,但一直到上世纪九十年代初期才成为信息系统领域的一个重要学科.文本分类的重要性得以提高,要归功于人们对于该应用的兴趣以及计算机硬件能力的提升.文本分类已经被应用到很多领域,从基于词汇的文档索引、文档过滤、消除单词歧义、网络资源的层次目录到任何要求文档管理的应用.直到上世纪八十年代晚期,最流行的文本分类方法还是知识工程(KnowledgeEngineering),即事先把专家关于如何分类文档的知识编码成一些规则,用这些规则再去分类其他文档.在九十年代,这种方法逐渐失去了人们的吸引力,因为人们越来越多地把精力放在机器学习这个研究框架下面.机器学习的方法主要是用一些分类好的文档并通过归纳方法来构造一个分类器,用分类器分类新的文档.这种方法的好处在于可以获得与专家系统差不多的分类精度却不需要耗费大量的专家劳动(主要是指不需要相关专家的干涉就可以构造分类器).目前文本分类的方法有:贝叶斯分类方法、决策树分类方法、神经网络分类方法、支持向量机分类方法等。
在信息检索领域,评价分类效果好坏有两个重要的指标,一个是分准率(Precision)、另一个是分全率(Recall),
..
胖删oH2i万面’即,.、
(1一1)
,ec鲫=淼,
FP(false(1-2)其中TP(truepositive)表示被正确分类(正例分成正例)的某一类样本数目;pos“ive)表示被分成正例的反例样本数目:FN(falsenegative)表示被分成反例但实际是正例的样本数目.分准率可视为分类器的分类准确率
文本分类中不平衡数据的处理
中山大学硕士学位论文:文本分类中不平衡数据的处理
(被分成正例的样本中真实正例的比重);分全率可视为测试集中被正确分类的正例比重(测试集中有多少正例被分类器辨认出来了).两个评价指标从不同的角度反映分类器的分类精度,体现了分类器满足两个基本要求的程度(两个基本要求是:一、分类器应该尽可能不把反例分成正例(Precision);二、分类器应该尽可能把正例分成正例(Recall)).若想把两个指标统一起来,在信息检索中会用到Fl值,它是分准率和分全率的调和平均值.
F:垒旦旦空!型堡型!,
DreclslOn+rec口“(1—3)
当上述三个评价指标用在多类问题时,又会引申出分准率、分全率、F1值的宏观均值和微观均值.他们的定义分别如下:
m删2去善只,m冒(1叫)
删肚去善‘,肌=(1'5)
脚甜口E:垒竺堕生竺丝堕,mdcroP+m∞roR1(1—6)‘。
mfc肿2薯A轰南’
删一喜一舞南’
m衙。E=等鬻篆警.7mcror+mlcroK(1_7)(1-8)∽。,
分准率和分全率的宏观均值是各类的分准率与分全率的算术平均值,而分准率和分全率的微观均值则是各类的分准率与分全率的加权平均值.
以往关于文本分类的大多数论文的实验,人们都倾向于使用Fl的微观均值来评价分类结果.使用Fl微观均值可以对分类结果进行综合地评价,但是掩盖了一个少数类分类精度低的问题.在文本分类应用中,F1微观均值与多数类的Fl值差别很小,且多数类的F1值都很高,从而综合结果看似很好,但少数类的分类精度却不甚理想.虽然少数类在实际应用中出现的概率很小,但少数类的分类效果却
文本分类中不平衡数据的处理
主些奎兰塑主兰垡堡塞!皇奎坌娄!至兰堑墼量塑竺里
是不能忽视的,例如诈骗电话检测[1]、罕见疾病检测[2]、在卫星图片上寻找石油溢出点[3]等.基于这个原因,本文从不平衡数据处理的角度,运用处理不平衡数据的方法,提高少数类的分类精度.
1.2本文的工作
本篇论文针对少数类分类精度低的问题,从不平衡数据处理的角度进行探讨,运用不平衡数据的处理方法来提高少数类的分类精度。主要做了以下三个方面的工作:
第一,一般的特征选择方法并没有考虑数据的不平衡性,从而选出来的特征对于不同类的贡献是一样的.本文在考虑数据不平衡的情况下,提出一个特征修正权重,提高少数类特征的权重,使数据不平衡性在特征中得以体现,借以提高少数类的分类精度;
第二,文本分类所用到的数据集存在不平衡的现象,本文运用支持向量机与k近邻方法进行向下取样(undersampling),对不平衡数据进行预处理从而提高少数类的分类精度.
第三,在文本分类的预处理过程中,必须对文本的单词进行词根提取.词根提取的经典方法是波特算法(PorteralgorithⅢ)[4],该方法可以快速地提取单词的词根,但要基于人为定义的规则进行工作.本文提出新的基于数据集自身,利用索引的词根提取方法,不仅可以有效提取单词词根,还不需使用人为定义的相关规则:
文本的安排如下:第二章介绍文本分类,第三章介绍不平衡数据处理,第四章介绍本文的方法,第五章介绍实验并给出实验结果,附录是本文所使用算法的描述.
文本分类中不平衡数据的处理
主些查兰堡主兰垒堕奎!壅查坌壅!至!堑墼塑堕竺里。
第2章文本分类基础
文本分类——用预定义的标签集来标记自然语言文本,是目前信息检索领域研究的一个热点.本章介绍文本分类的基础知识,主要涉及到文本分类的预处理、特征选择、分类方法.
首先建立文本分类的数学模型.文本分类可以表述为:
赋一个布尔值给(嘭,勺)∈D。cxc,其中DDc为文本集而c=k。c:,¨..,c旧j为预定义豹标签集合.赋值T(true)给(d,,c,)表明文档d。被分成c』类 赋值F(false)给(d,,c,)表明文档d,不被分成c,类.上述过程实质就是构造一个函数m:D∞×c斗留,F)尽可能逼近未知的目标函数o:Doc×c。扩,,}.
在机器学习的框架中,构造一个函数o:D0c×c斗p,,}即为用训练数据构造一个分类器.然后用训练好的分类器对新样本进行分类.
2.1预处理
原始的电子文本不能用于构造分类器,因为原始的电子文本包含很多冗余的信息,例如文本中的冠词a、an、the,代词you、he、she,动词的不同时态等.若能够消除这些无用的冠词、代词,并把动词的不同时态归一于同一动词的原型,消除单词的后缀提取出单词的词根,将有助于文本分类。这就需要对电子文本进行预处理.电子文本的预处理一般分三个步骤,分别为删除辅助单词<stopremoval),删除稀有单词(rarewordwordr鲫oval),提取词根(wordste啪ing).2.1.1删除辅助单词
电子文本中频繁出现的单词无助于判别文本的种类,研究表明一个在百分之八十文本集中出现的单词对于检索而言贡献锾乎其微[4].于是在文本分类中把无助于判别文本类别的单词称为辅助单词.一般认为冠词、介词、连词、代词是辅助单词,一些动词、副词和形容词也视为辅助单词,例如get、few等.在[5]中Frakes和Baeza—Yates列举了425个辅助单词,而在[6]中sousa使用了
文本分类中不平衡数据的处理
DTIc/DROLs辅助单词列表.
删除辅助单词有一个很重要的好处就是可以减少文本的一部分“无用”特征,从而可以减少特征向量的维数,提高分类的速度.然而删除辅助单词亦会降低分类器的分类精度,只是这个影响可以忽略不计而已.举个例子,一个用户想查找与“tobeornottobe”“’相关的文本,在删除辅助单词之后,分类器并不能
beor找出相关文本,因为特征中根本不包含有“to
用户得不到结果.nottobe”等单词,从而
2.1.2删除稀有单词
删除辅助单词在感性上是删除频繁出现的字眼,这样做是因为在文本分类中假设频繁出现的单词对分类没有贡献.相对的,烈除稀有单词是删除文本中出现次数不多的单词.这样做是因为在文本分类中做了类似的假设,即很少出现的单词对于分类是没有帮助的,只有适当出现的单词是保留的对象.删除稀有单词还可以去除文本数据中错误的单词,从而进一步减少文本的“无用”特征,但与删除辅助单词一样会降低分类器的分类精度,因为某个单词可能对于某一类文本的分类有显著的作用,虽然这个单词出现的次数很少.如何才算是稀有单词呢?当某个单词出现的次数小于某个阈值时,我们认为这个单词是稀有单词.这个阈值是一个经验参数,在[6]中ThorstenJoachims使用三作为阈值.在实验时,本人也使用了[6]的参数.
2.1.3提取词根
在删除辅助单词与删除稀有单词之后,已经消除了一部分的文本特征.但这并不足够,因为还有很踞显的冗余特征还没有处理.比如大量的单词是从同一个词根演变出来的,它们在词形上相似,只是拥有不同的词缀,或是做了一点小改变而已_若能够把这些单词都归一为它们的词根,将会消除更多的文本特征。进行词根提取可以达到这个目的.
提取词根的基本思想是把从同一词根演变出来的单词归结为相应的词根.具体看个例子,ab01ish可以衍生出abolishes、abolished、abolishing、1.莎士比亚《哈姆雷特》中王子的台词
文本分类中不平衡数据的处理
abolishJnent四个单词,若是我们把abolish衍生出的这四个单词都归结为abolish,这样就可以减少数量可观的特征.提取词根最初是在信息检索领域[7]提出的,经典的提取词根算法是波特算法(Porteralgorithm).
波特算法把一系列消除后缀的规则应用到单词之上从而提取词根.例如下面的规则
J斗o,
船甜—}船.(2—1)(2—2)
规则(2一1)用空字符代替单词末尾字符s,从而把单词的一般复数形式转换成单数形式,例如rabbits转换成rabbit.规则(2—2)用ss代替单词末尾的sses,当(2—2)与(2一1)结合使用时则可把stresses转换成stre.波特算法把所有规则分成五个部分,按先后顺序应用这些规则,使得提取词根可以高效快速地进行.关于波特算法的具体描述,可以查看[7]的附录A.
2.2特征选择
文本的特征就是文本中出现的单词.在进行分类时不会使用整篇文本,只会用一部分单词作为代表,那么应该选择什么样的单词作为特征呢?这就是特征选择所要考虑的问题.选出来的特征应该具有代表性,能够充分代表原始文本;选出来的特征应该具有区分性,能够在分类文本时体现文本之间的差别.
一般情况下我们使用评价函数(scoreFunction)给不同的单词评分,只有满足阈值要求的单词会被选取作为特征.下面介绍不同的评价函数.
2.2。1单词频率
单词频率考虑的是单词在训练集中出现的频率,当频率大于阈值时,便把单词作为特征确定下来.这种评价方法简单明了,在实际中应用广泛而且有效,在诸如搜索引擎[8]、网页浏览习惯的信息提取[9]、网页分类[10]等场合皆可看到它的身影,所以其可谓一种简单好用的特征选择评价函数.
下面举个例子,假设训练集中只有两篇文章如下:
文档1:
Iamabov.
文本分类中不平衡数据的处理
中山大学硕士学位论文:文本分类中不平衡数据的处理
文档2:
Sheisagirl.
则在两篇文章中出现的单词以及它们的单词频率是:
I:l,aIIl:1.a:2,boy:l,she:l,is:l,girl:1
2.2.2文档频率
文档频率(DocumentFrequency)是包含某一单词的文档的数量.使用时会计算在训练集中出现的每一个单词的文档频率,只有大于阙值要求的单词保留下来作为特征.举个例予,假设训练集中有三篇文章如下:
文档1:
Iamaboy.
文档2:
Sheisagirl.
文档3:
SheandIaregoodfriends.Sheisbeautiful.
则在三篇文章中出现的单词以及他们的文档频率是:
I:2,am:1,a:2,boy:1。she:2,is:2,girl:l,and:l,are:1,good:l,friends:1.beautiful:1
2.2.3单词频率×反向文档频率
单词频率×反向文档频率(tf×idf)中的单词频率就是2.2.1节的单词频率,而反向文档频率(InverseDocumentFrequency)的定义如下:
log势(2-3)
其中.v是训练集中文本的总数量,够是单词t的文档频率.综合起来单词频率×反向文档频率定义如下:
圻×1。g喏) (2-4)单词频率×反向文档频率希望能体现单词的两点属性:~是单词在训练集中
文本分类中不平衡数据的处理
中山大学硕士学位论文:文本分类中不平衡数据的处理
出现的多少,二是单词是否出现在少量的文本中.基于这两点的考虑单词频率×反向文档频率使出现次数多,但出现在相对少量文本中的单词被挑选出来作为特征,其他的被删除.
2。2.4信息增益
信息增益(InformationGain)是来自信息论中的概念,在决策树的构建过程中会用到.它之所以作为文本分类中特征提取的评价函数,主要考虑到的因素就是单词的存在与否对分类的作用有多大.~般认为信息增益越大则该单词对于分类的作用就越大.信息增益的定义如下:
G(f)=一艺Pr如)logPrG)
蚓
+PrO)艺Prbl,)logPr如lf).(2—5)
+P《攫PrG,1;)l。gP,G}i)
2.2.5爿2统计
肖2统计(cHIsquare)希望评价的是单词f与种类c的不独立性,它源于统计学中的x2分布.在文本分类中认为单词r与种类c越不独立,则单词r对于文本分类的贡献就越大.z2统计的定义如下:∥(f,c)=而群卷篙‰,防e)其中Ⅳ是训练集中文本的总数量,4是单词,与种类c一起出现的文本数,丑是单词r出现而种类c没有出现的文本数,E是种类c出现而单词f没有出现的文本数,D是单词r与种类c都没有出现的文本数.
当单词f与种类c相互独立时,z2统计的值是零.在使用z2统计作为特征提取的评价函数时,先计算单词f与所有种类的∥统计值,然后取加权平均
文本分类中不平衡数据的处理
中山大学硕士学位论文;文本分类中不平衡数据的处理
x2。O)=∑Prb归20,q),
或是取最大值(2—7)
Jz一(f):替讧:¨)}.I:lJ2一(f)=矗缸讧2(r,c,)}_(2删(2—8)
作为评价结果.只有x2统计的评价指标大于某一阈值的单词作为特征确定下来.
上面介绍了五个文本分类中特征提取的评价函数,在[11],[12]中有更为详细的介绍.
2.3分类方法
目前进行文本分类的机器学习方法主要有:朴素贝叶斯分类方法、决策树分类方法、决策规则分类方法、神经网络分类方法、基于实例的分类方法、支持向量机分类方法等.下面就这些方法做一个简要的介绍.
2.3.1朴素贝叶斯分类方法
朴素贝叶斯分类方法基于贝叶斯定理:砌㈣=等,(2_9)其中P(乃l^)为给定假设^成立时观测到训练数据拈的概率,尸(矗)为在没有训练数据的情况下假设成立的概率,P(西)为没有确定哪一个假设成立时可观察到训练数据的概率.通过上述数据确定后验概率P(^}如),即观测到数据乃时假设^成立的概率.
利用贝叶斯定理,可以构造朴素贝叶斯分类器用于分类文本.这时数据集乃是事先已经分好类的文本集,厅为可能种类的集合(按照本章开始的定义即为集合c=k。,c:,..,c蚓j).在真正进行计算时,为了减少计算量还需做出一些假设以简化计算过程.首先假设P(办)为一常量,即观测到某一训练数据的概率是恒定的,这样只需考虑如下的贝叶斯公式即可.
文本分类中不平衡数据的处理
中山大学硕士学位论文:文本分类中不平锤数据的处理
P(c。I嘭)=P(d,lc。)P(c。)
其次为了估计P(d,h),有如下的条件独立性假设
i州(2一lO)
P(嘭㈤=丌P(%㈤(2—11)
其中我们把文档t表示成单词向量“,屯,…,‰),T为单词集,I,I为单词集中单词个数.做如此假设的好处在于P(d.1c,)的计算不依赖于文本中单词出现的顺序与位置,且估计单项P(%Iq)较P(tc。)容易得多
在[13],[14],[15]中使用了贝叶斯分类方法
2.3.2决策树分类方法
朴素贝叶斯分类方法是基于概率的方法,对于人类而言不太直观.决策树分类方法则是一种较为直观的方法,其基于符号的表示让人一目了然.
决策树与离散数学中提到树相类似,只是节点与分支的表示含义有了自身的定义而已.在决策树中,内部节点表示单词,分支表示单词的状态(有或无),叶子节点则表示文本的分类结果.图(2—1)是一颗决策树,用以判断一篇文章是否与小麦有关.决策树在构造时要涉及一些问题,诸如确定决策树增长的深度,处理连续的属性,选择一个适当的属性筛选度量标准,处理属性不完整的训练数据,处理不同代价的属性,提高计算效率,避免过度拟合等.对这些问题的处理就演化出决策树算法的不同版本,比较流行的决策树算法有ID3、c4.5、c5.
∥“、
锄玛皤≥吐i牲c啪nmo曲y/4\人∑/<t鞲匝二魄p0“
/<壶豳哑≤谴鲴
者一警
图(2一1)
-10-
文本分类中不平衡数据的处理
中山大学硕士学位论文:文本分类中不平衡数据的处理
2.3.3决策规则分类方法
基于决策规则的分类方法也是一种较为直观的分类方法,它使用析取范式来进行文本分类.该方法用析取范式作为前件,文本类型作为后件,当文本的关键词满足析取范式时则返回相应的后件作为该文本的所属类型.该方法与决策树分类方法有点类似,如图(2—2)所示.
if(岫eat&㈣《-lI 时&co蛐odi啪
(blIshel譬&e冲on)OrOfth吼Whe越ehe!Ⅵmeat
图(2_2)
在用基于决策规则的分类方法时,文档t被表示成如下形式.
^,f2,..….,‘.(2一12)
其中‘为文档t中的单词.用上述的文档向量来训练分类器的时候很容易出现过度拟合的问题,于是很多时候要用类似在构造决策树时用到的剪枝方法来简化决策规则,以达到理想的分类效果.在[16],[17],[18]中用到决策规则分类方法.2.3.4神经网络分类方法
神经网络(NeuralNetwork)提供了一种普遍而且实用的方法从样例中学习实数值、离散值函数.像反向传播(BackPropagation)这样的算法,使用梯度下降来调节网络参数以最佳拟合由输入一输出对组成的训练集合.神经网络学习对于训练集中的错误健壮性很好,且已被成功地应用到很多领域,例如视觉场景分析(interpretingvisualscenes)、语音识别以及机器人控制等.
InpLn譬omp幢’
图(2—3).11.
文本分类中不平衡数据的处理
中山大学硕士学位论文:文本分类中不平衡数据的处理
把神经网络应用到文本分类时,网络输入单元表示文本单词,网络输出单元表示可能分类的权重,单元与单元之间连线上的数值表示单词与相应分类的关系权重.在训练一个神经网络时,一般会用反向传播算法,即把训练文档的单词放入对应的输入单元进行分类,当误分类出现时进行后向的权值修改以达到最小的分类误差.神经网络在训练结束之后,有些单词与分类的关系权重可能很小,这意味着该单词与相应分类关联甚小,于是可以忽略该单词在相应分类中的影响,基于这个原因神经网络可以作为一种“降维”的方法.最简单的神经网络分类方法是神经元分类器,如图(2—3),其是一个线性分类器,非线性的神经网络也有很多,[19],[20],[21]都使用神经网络作为分类器.本篇论文的实验就使用了三层的神经元进行文本分类.
2.3.5基于实例的分类方法
基于实例的分类方法与前面叙述的几种方法不同,前面的方法都是用训练数据构造一个分类器用于分类新的文本,基于实例的分类方法则不用构造分类器,而是在训练数据中找出与新文本最相似的实例,并用该实例的类型作为新文本的所属类型.在训练数据中找出与新文本最相似的实例是通过实例的相似性度量来实现的,具体用怎样的度量标准这与文本的特征提取方法有关,最常用的是基于区氏距离的度量.虽然基于实例的分类方法不用构造分类器,但每次分类新文本时要进行大量的相似性度量计算,所以效率较低,分类速度较慢.k近邻方法是一种典型的基于实例的分类方法.在文本分类的应用中k近邻方法是这样分类新文本的:首先在训练数据中找出与新文本最相似的k个文本,然后把k个文本中出现次数最多的类型作为新文本的相应类型.如图(2—4)所示,矗被分类成反例.
+图(2—4)
文本分类中不平衡数据的处理
中山大学硕士学位论文:文本分类中不平衡数据的处理
2.3.6支持向量机分类方法
图(2—5)
支持向量机(supportVectorMachine)是一种基于统计学习理论的模式识别方法,它由Boser,Guyon,Vapnik在COLT一92“’上首次提出,继而迅速发展.现在已经在许多领域取得了成功的应用,如生物信息学,文本分类和手写识别等.
支持向量机的分类思想是希望找到一个超平面,使该超平面能够尽可能多的将两类数据正确地分开,同时使分开的两类数据点距离分类平面最远,如图(2—5)所示.寻找超平面的过程可以归结为解决一个二次规划问题,假设有一个观测样本G,Mlk,n)……k,儿),要找出最优分类平面1峨一6=o,只要解决如下问题.
1
lnin钏wn二(2一13)
(2—14)M(w ‘一6)≥1(f=l,2,...,一).
Joachims[6]把支持向量机应用到文本分类中并取得了很好的分类效果.支持向量机在最初设计时针对的是两类问题,而文本分类在有的情况下是多类问题,所以在具体应用时要注意两类到多类的扩展.一般有两种扩展方案:
(1)一对多(OneAgainstA11)
其基本思想是把某一类的样本当作正例,其余类别的样本当作反例.
(2)一对一(oneAgainstAnother)
其做法是在多类别中,任意抽取两类进行两两配对,转化成两类问题进行训练学习.
本篇论文在实验时使用第一种方案.
Co唧utati衄al
Leamill窑n∞ry
文本分类中不平衡数据的处理
中山大学硕士学位论文:文本分类中不平衡数据的处理
第3章不平衡数据的处理
数据集的不平衡在有监督的模式识别中是常见的问题.数据集的不平衡意味着某些类存在大量的样本而另外一些类存在仅有的一点样本.这使得分类器在少数类上的精度不高.在文本分类中会遇到数据不平衡的问题,例如垃圾邮件的分类.大量垃圾邮件的存在使得分拣出真正有用的邮件很困难.这一节介绍通过取样的方法处理不平衡数据.
3.1向下取样
向下取样方法的思想是减少多数类的样本,从而降低多数类的特征对分类器的影响.经典的向下取样方法是wilson’sEditing[22].该方法运用k近邻分类器,对每一个样本进行分类,若该样本的真实类标与k个样本中占大多数的类不同,则删除该样本.Kubat[23]提出~个方法,消除冗余的或是在少数类边界出现但非少数类的样本,达到向下取样的目的.
向下取样可以消除多数类对分类器分类精度的影响,但是可能会消除多数类的~些有用信息,使得多数类的分类精度有所下降.
3.2向上取样
向上取样(OverSampling)的思想是增加少数类的样本,从而增大少数类特征对分类器的影响.一般向上取样是通过对已有数据进行复制或人工生成一些新的样本来实现的.比如在邻近的两个少数类样本中间进行插值[24].向上取样可以形式上增加少数类的样本,增加少数类特征对分类器的影响,但是会增加训练分类器时的时间复杂度.
本论文的方法采用了向下取样而没有使用向上取样.这是因为文本分类应用中的每个样本都有实际含义,单纯增加特征向量而不考虑向量自身代表的含义对于分类是毫无意义的。其次由于多数类与少数类在数量上差别悬殊,若要把少数类的数量扩充到与多数类相当,这将大大增加分类器的训练时间.基于上述理由,本文的实验采用了向下取样的方法.
正在阅读:
文本分类中不平衡数据的处理04-23
车辆油料使用情况分析报告12-18
Word中的域代码01-17
文明礼仪三字歌歌词03-18
海明威心中的完美女性――论《永别了,武器》中的凯瑟琳形象05-25
中海集箱电放保函格式TELEX03-26
EDA仿真作业题及要求-20150304-10
常见的税务风险点04-14
英语单词记忆手册05-25
昆明市情10-01
- 教学能力大赛决赛获奖-教学实施报告-(完整图文版)
- 互联网+数据中心行业分析报告
- 2017上海杨浦区高三一模数学试题及答案
- 招商部差旅接待管理制度(4-25)
- 学生游玩安全注意事项
- 学生信息管理系统(文档模板供参考)
- 叉车门架有限元分析及系统设计
- 2014帮助残疾人志愿者服务情况记录
- 叶绿体中色素的提取和分离实验
- 中国食物成分表2020年最新权威完整改进版
- 推动国土资源领域生态文明建设
- 给水管道冲洗和消毒记录
- 计算机软件专业自我评价
- 高中数学必修1-5知识点归纳
- 2018-2022年中国第五代移动通信技术(5G)产业深度分析及发展前景研究报告发展趋势(目录)
- 生产车间巡查制度
- 2018版中国光热发电行业深度研究报告目录
- (通用)2019年中考数学总复习 第一章 第四节 数的开方与二次根式课件
- 2017_2018学年高中语文第二单元第4课说数课件粤教版
- 上市新药Lumateperone(卢美哌隆)合成检索总结报告
- 文本
- 平衡
- 处理
- 数据
- 分类
- 最新苏教版数学三年级上册期末测试卷及答案
- 项目绩效考核管理办法
- 2015年四川导游资格证考试真题卷(9)
- 宏观经济学教案第八章 总需求和总供给模型
- 2015年青海导游资格证考试模拟卷
- 学习《学校教职工代表大会规定》的心得体会
- 2015年山西导游资格证考试模拟
- 中国的总管家-周恩来
- 2015年青海导游资格证考试真题卷
- 感冒的滋味小学生作文五篇
- (专题三)三 美国式的资产阶级民主
- 中国乡村旅游发展的三大背景
- 第6.3节_正定矩阵
- 采购谈判策略与技巧培训【宫迅伟】
- 武汉纺织大学外经贸学院学生“先进个人”登记表
- 湘教版地理必修二第一章习题
- 对外汉语教学论文:对外汉语教学中的颜色词教学
- 麻风病防治知识讲座底稿
- 3.6《洛伦兹力与现代技术》
- 广东省惠州市2014届高三4月模拟考试地理试题 Word版含答案