朴素贝叶斯算法和SVM算法在Web文本分类中的效率分析教学教程幻灯片.pptxVIP

朴素贝叶斯算法和SVM算法在Web文本分类中的效率分析主讲：周磊指导老师：孙翀论文研究内容 随着互联网上海量文本信息的增加，数据挖掘扩展到了Web数据挖掘，文本挖掘也随之扩展到了Web文本挖掘。Web文本分类计数是Web文本挖掘的只要分支之一，而文本分类算法的选择对文本分类技术至关重要。 本文主要是通过构建Web分类系统，将朴素贝叶斯算法和支持向量机SVM算法在自建的Web系统的进行效率的测试对比。朴素贝叶斯分类算法 (1)设D是训练元组和它们相关的类标号的集合。通常，每个元组用一个n维属性向量X={x1,x2,···,xn}表示，描述由n个属性A1,A2···,An对元组的n个测量。(2)假定有m个类C1,C2,···,Cm。给定元组X，分类法将预测X属于具有最高后验概率的类(在条件X下)。也就是说，朴素贝叶斯分类算法预测X属于类Ci，当且仅当 P(Ci|X)P(Cj|X) 1≤j≤m，j≠i这样，最大化P(Ci|X)。P(Ci|X)最大的类Ci称为最大后验假设。根据贝叶斯定理： P(Ci|X)=P(X|Ci)P(Ci)/P(X)(3)由于P(X)对所有类为常数，所以只需要满足P(X|Ci)P(Ci)最大即可。朴素贝叶斯分类算法 支持向量机SVM分类1.在n维空间中找到一个分类超平面，将空间上的点分类。如下2. 一般而言，一个点距离超平面的远近可以表示为分类预测的确信或准确程度