Сравнительный анализ алгоритмов кластеризации
##plugins.themes.bootstrap3.article.main##
Аннотация
Представлена математическая постановка задачи категоризации товаров, выделены следующие этапы ее решения: индексация, классификация и оценка эффективности. Экспериментальное исследование классификаторов (наивного байесовского классификатора, метода опорных векторов и деревьев принятия решения) показало, что для решения задачи категоризации наиболее эффективнымявляется метод опорных векторов.
##plugins.themes.bootstrap3.article.details##
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, публикующиеся в данном журнале, соглашаются со следующими условиями:- Авторы сохраняют за собой права на авторство своей работы и предоставляют журналу право первой публикации этой работы на условиях лицензии Creative Commons Attribution License, которая позволяет другим лицам свободно распространять опубликованную работу с обязательной ссылокой на авторов оригинальной работы и оригинальную публикацию в этом журнале.
- Авторы сохраняют право заключать отдельные договора на неэксклюзивное распространение работы в том виде, в котором она была опубликована этим журналом (например, размещать работу в электронном архиве учреждения или публиковать в составе монографии), с условием сохраниения ссылки на оригинальную публикацию в этом журнале.
- Политика журнала разрешает и поощряет размещение авторами в сети Интернет (например в институтском хранилище или на персональном сайте) рукописи работы как до ее подачи в редакцию, так и во время ее редакционной обработки, так как это способствует продуктивной научной дискуссии и положительно сказывается на оперативности и динамике цитирования статьи (см. The Effect of Open Access).
Библиографические ссылки
F. Sebastiani, “A tutorial on automated text categorisation”, in Proceedings of the 1st ArgentinianSymposium on Artificial Intelligence (ASAI’99), 1999, pp. 7–34.
Y. Kalnybolotsky and M. Didkovskaya, “Creative component in the solutionintellectual tasks (structuringproblems)”, Electronics and communication, no. 6, pp. 63–71, Jan. 2008.
D. D. Lewis, “Naive (Bayes) at forty: The independence assumption in information retrieval”, in Machine Learning: ECML-98, Berlin, Heidelberg: Springer Berlin Heidelberg, 1998, pp. 4–15. DOI:10.1007/BFb0026666
C. Apté, F. Damerau, and S. M. Weiss, “Automated learning of decision rules for text categorization”, ACM Transactions on Information Systems, vol. 12, no. 3, pp. 233–251, Jul. 1994. DOI:10.1145/183422.183423
G. Salton, A. Wong, and C. S. Yang, “A vector space model for automatic indexing”, Communications of the ACM, vol. 18, no. 11, pp. 613–620, Nov. 1975. DOI:10.1145/361219.361220
