基于自训练EM算法的半监督文本分类

提出了推导密度函数的基本假设,对密度函数进行了推导,通过密度函数实现了密度区域的划分;对同一密度范围内的未标签值标记的估计给出了具体的处理方法;最后介绍了基于密度分布的半监督回归算法的具体实现步骤。该

包含IG,MI,CHI等降维算法和NB,CENTROID,SVM分类算法

互联网web网页，利用SVM技术实现对web进行挖掘、检索等，本文采用这种方法以处理海量数据，网页自动分类，通过自动分类建立数据库，提高搜索引擎的查全率和查准率，而且可以自动的分类信息资源，为用户提供

最大熵模型用于文本分类的例子，里面有数据集和Python代码

从文本分类由美国学者H．P．Luhn教授在1957年第一次被提出来，现今文本分类已经成为数据挖掘领域非常重要的～个分支，它已经在搜索引擎等领域有较好的应用．文本分类中特征选择是降低特征空间维数提高分

近年来卷积神经网络和循环神经网络在文本分类领域得到了越来越广泛的的应用。提出一种卷积神经网络和长短时记忆网络特征融合的模型,通过长短期记忆网络作为池化层的替代来获得长期依赖性,从而构建一个联合CNN和

基于朴素贝叶斯的文本分类，原文地址：http://yuanmuqiuyu2000.blog.sohu.com/198789412.html

针对传统文本分类方法对于海量数据分类速度慢精度差等问题,将并行计算应用到文本分类领域,设计了一套基于MapReduce的并行化文本分类框架,结合Bagging算法思想提出了支持向量机的并行训练方法,并

基于内容的文本分类系统，使用libsvm进行分类。

本文提出的基于事件卷积特征的模型，在利用事件含有语 义和语言结构信息的特点上，使用卷积神经网络提取事件特征， 并在新闻语料的分类上取得了良好的性能。