Learning to Classify Text Using Support Vector Machines - Joachims, Thorsten; - Prospero Internetes Könyváruház
Kosár (0)
Kívánságlista (0)
Értesítés a kedvenc témákról
__

Learning to Classify Text Using Support Vector Machines

Methods, Theory and Algorithms
 
Kiadás sorszáma: 2002
Kiadó: Springer
Megjelenés dátuma:
Kötetek száma: 1 pieces, Book
 
Normál ár:
Kiadói listaár:
EUR 106.99
Becsült forint ár:
45 609 Ft (43 437 Ft + 5% áfa)
Miért becsült?
 
Az Ön ára:
36 487 (34 750 Ft + 5% áfa )
Kedvezmény(ek): 20% (kb. 9 122 Ft)
A kedvezmény érvényes eddig: 2024. december 31.
A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.
Kattintson ide a feliratkozáshoz
 
Beszerezhetőség:
Becsült beszerzési idő: A Prosperónál jelenleg nincsen raktáron, de a kiadónál igen. Beszerzés kb. 3-5 hét..
A Prosperónál jelenleg nincsen raktáron.
Nem tudnak pontosabbat?
 
Kosárba teszek
  példányt

 
Hosszú leírás:

Based on ideas from Support Vector Machines (SVMs), Learning To Classify Text Using Support Vector Machines presents a new approach to generating text classifiers from examples. The approach combines high performance and efficiency with theoretical understanding and improved robustness. In particular, it is highly effective without greedy heuristic components. The SVM approach is computationally efficient in training and classification, and it comes with a learning theory that can guide real-world applications.


Learning To Classify Text Using Support Vector Machines gives a complete and detailed description of the SVM approach to learning text classifiers, including training algorithms, transductive text classification, efficient performance estimation, and a statistical learning model of text classification. In addition, it includes an overview of the field of text classification, making it self-contained even for newcomers to the field. This book gives a concise introduction to SVMs for pattern recognition, and it includes a detailed description of how to formulate text-classification tasks for machine learning.

Tartalomjegyzék:
1. Introduction.- 1 Challenges.- 2 Goals.- 3 Overview and Structure of the Argument.- 4 Summary.- 2. Text Classification.- 1 Learning Task.- 2 Representing Text.- 3 Feature Selection.- 4 Term Weighting.- 5 Conventional Learning Methods.- 6 Performance Measures.- 7 Experimental Setup.- 3. Support Vector Machines.- 1 Linear Hard-Margin SVMs.- 2 Soft-Margin SVMs.- 3 Non-Linear SVMs.- 4 Asymmetric Misclassification Cost.- 5 Other Maximum-Margin Methods.- 6 Further Work and Further Information.- Theory.- 4. A Statistical Learning Model of text Classification for SVMs.- 5. Efficient Performance Estimators for SVMs.- Methods.- 6. Inductive Text Classification.- 7. Transductive Text Classification.- Algorithms.- 8. Training Inductive Support Vector Machines.- 9. Training Transductive Support Vector Machines.- 10. Conclusions.- Appendices.- SVM-Light Commands and Options.