信息检索与数据挖掘
|
|
|
- 纲蜂 司
- 5 years ago
- Views:
Transcription
1 期中考试 :4 月 20 日 ( 周五 ), 闭卷考试范围 : 上次课 (SVD LSI) 之前的内容 第 10 章文本分类 part1: 文本分类及朴素贝叶斯方法 part2: 基于向量空间的文本分类 part3: 支持向量机及机器学习方法
2 回顾 : 什么是文本分类 Taxonomies and Classification 文本分类中, 给定文档 d X 和一个固定的类别集合 C= {c 1, c 2,..., c J }, 其中 X 表示文档空间 ( document space), 类别 (class) 也通常称为类 ( category) 或类标签 ( label) 分类方法 手工方法 规则方法 基于学习的文本分类 文本分类中的类别 训练集及测试集 无监督 / 有监督的学习 IR 中的文本分类应用 2
3 回顾 :Naive Bayes text classification 在文本分类中, 我们的目标是找出文档最可能属于的类别 对于 NB 分类来说, 最可能的类是具有 MAP 估计值的结果 c map : 如何估计参数 Pˆ(c) 及 Pˆ(t k c )? 零概率问题 平滑 3
4 回顾 : 朴素贝叶斯分类器的生成模型 文本分类的步骤 训练 测试 建立 NB 分类器有两种不同的方法 Multinomial NB model Bernoulli model Naive Bayes algorithm ˆ P (t c) 的估计策略不同 未出现词项在分类中的使用不同 4
5 Naive Bayes algorithm ˆ P (t c) 的估计策略不同 未出现词项在分类中的使用不同 学习方法不同, 得到的分类函数不同 multinomial model 5 Bernoulli model
6 回顾 : 朴素贝叶斯分类器的的性质 多项式模型 P(d c) = P(<t 1,, t k,, t nd > c) 贝努利模型 P(d c) = P(<e 1,, e i,, e M > c) 朴素贝叶斯的条件独立性假设 朴素贝叶斯的位置独立性假设 准确估计概率 精确预测, 反之并不成立! 6
7 回顾 4-1: 文本分类的评价 文本分类的目标 使得测试数据上的分类错误率最小 常用的指标 正确率 召回率 F1 值 分类精确率等 多个分类器的文档集 当对具有多个分类器的文档集进行处理时, 往往需要计算出一个融合了每个分类器指标的综合指标 宏平均和微平均 微平均计算中大类起支配作用 度量小类上的效果, 往往需要计算宏平均指标 7
8 回顾 4-2: 文本分类的评价 第 6 章检索的评价 中的评价方法 无序检索结果的评价 基于集合的评价方法 查准率 / 正确率 Precision 查全率 / 召回率 Recall F 值是查准率和查全率的加权调和平均数 有序检索结果的评价 查准率 - 查全率曲线 固定检索等级的查准率 Precision@k 平均正确率 (Average Precision, AP) 平均查准率均值 Mean Average Precision(MAP) GMAP(Geometric MAP) NDCG 单个查询 多个查询 8
9 回顾 4-3: 文本分类的评价检索评价的 MAP 准则 教材 8.4 小节,p109 平均查准率均值 Mean Average Precision(MAP) 在每个相关文档位置上查准率的平均值, 被称为平均查准率 (AP) 对所有查询求平均, 就得到平均查准率均值 (MAP) 参数说明 q j Q MAP 是宏平均还是微平均? Q 为信息需求, 所对应的所有相关文档集合为 {d 1,d 2,,d mj },R jk 是查询 q j 的返回结果 该结果中包含 {d 1,d 2,,d k } 而不含有 d k+1 及以后的相关文档 MAP: 某查询集合对应的多条正确率 - 召回率曲线下面积的平均值 9
10 回顾 4-4: 文本分类的评价多个查询的评价指标 多个查询的评价指标, 一般就是对单个查询的评价进行求平均 平均的求法一般有两种 : 宏平均 (Macro Average): 对每个查询求出某个指标, 然后对这些指标进行算术平均 微平均 (Micro Average): 将所有查询视为一个查询, 将各种情况的文档总数求和, 然后进行指标的计算 查询 q1 q2 的标准答案数分别为 100 个和 50 个, 某系统对 q1 检索出 80 个结果, 其中正确数目为 40, 系统对 q2 检索出 30 个结果, 其中正确数目为 24, 则 : P1=40/80=0.5, R1=40/100=0.4 P2=24/30=0.8, R2=24/50=0.48 MacroP=(P1+P2)/2=0.65 MacroR=(R1+R2)/2=0.44 MicroP=(40+24)/(80+30)=0.58 MicroR=(40+24)/(100+50)=0.43 文本分类评价时候的宏平均和微平均指标计算与多个查询的评价一致 10
11 回顾 : 通过特征选择提高分类器效率 互信息 A(t, c) = I (U t ;C c ) χ2 统计量 A(t, c) = X 2 t,c) 词项频率 A(t, c) = N(t, c) 一般来说, 为了获得较好的结果, 朴素贝叶斯有必要进行特征选择 对于一些其他文本分类器方法来说, 特征选择也是获得好结果的必要手段 Precision=P(relevant retrieved) Recall =P(retrieved relevant) 11
12 讨论 3-1: 文本分类的形式化定义 训练集 (training set) 是的集合, 学习方法 (learning method) 分类器 (classification function) 测试集 (test set) 中某文档 d { first private Chinese airline } 12
13 讨论 3-2: 基于概率的文本分类 P(d) 对于任何 c 的取值相同忽略 独立性假设 P(d c) = P(<t 1,, t k,, t nd > c) 训练 : 根据训练集学习 ( 估计 ) 出 P(c) 和 P(t k c) 分类 : 根据测试文档中的词条 (<t 1,, t k,, t nd > 计算 P(c d) 13
14 讨论 3-3-1: 分类器 ( 分类函数 ) 学习方法不同, 得到的分类函数不同 若学习方法固定, 训练集不同, 是否相同? 训练集改变则 ^P(c) 和 ^P(t k c) 改变 改变 对于某固定学习方法, 训练集改变使分类函数变化, 不同的分类函数产生的决策结果如果基本一致, 我们说该学习方法的方差不大, 如果不同分类函数的决策结果差异性很大, 我们说该学习方法的方差大 14
15 讨论 3-3-2: 分类器 ( 分类函数 ) 的误差 实际情况是 P(c d) 学习后分类器输出 ^P(c d) ^P(c d) 与 P(c d) 之间的差异就是误差 14.6 章节,p216 误差常用 MSE 衡量,MSE:E d [^P(c d) - P(c d) ] 2 E[x- α] 2 = Ex 2 2Exα +α 2 = [Ex α] 2 + E[x Ex ] 2 令 x= ^P(c d) 记为 ^P, α= P(c d) 记为 P E[^P- P] 2 = [E^P P] 2 + E[^P E^P ] 2 偏差 bias 方差 variance 15
16 讨论 3-3-3: 偏差 方差折中准则 学习误差 = 偏差 + 方差 通常情况下, 这两个部分不会同时最小 当我们比较两个学习方法 Г 1 和 Г 2 时, 大部分情况下最后的结果都是, 其中一个方法偏差高方差低而另一个方法偏差低方差高 因此, 从两个学习方法中选择一个时, 我们不是简单地选择能够在不同训练集上产生好的分类器的学习方法 ( 方差小 ), 也不是选择那些能学出复杂决策边界的学习方法 ( 偏差小 ) 实际的做法是, 根据应用的需要, 选择不同的权重对偏差和方差进行加权求和 这种折衷称为偏差 - 方差折衷准则 (bias variance tradeoff) 16
17 讨论 3-3-4: 偏差 方差 示例 白色分类边界 : 偏差大 ( 一直存在错分 ); 但方差小 ( 不怎么受零星出现在某一类别中的另一类别文档的影响 ) 黄色分类边界 : 偏差小, 但是方差大 ( 大部分情况下正确, 但如果有文档出现在三角形所示位置, 容易出现错分 故总体判决表现为时好时坏 ) 17
18 1 文献阅读要求 & 建议 每人阅读一篇文献并做 PPT, 安排一次课讲解 ( 演讲人随机抽取 ) 建议从以下会议的近 10 年的 Best Paper 中选取 SIGIR (Information Retrieval) WWW (World Wide Web) CIKM (Knowledge Management) 上述 3 个会议 Best Paper 下载 : KDD (Knowledge Discovery and Data Mining) NIPS (Neural Information Processing Systems) NIPS 论文下载 : 将选择的论文与完成的 PPT 发送到邮箱 :zywvvd@mail.ustc.edu.cn 邮件名称为 :IR_ 文献阅读 _ 姓名 _ 学号
19 2 课程实验要求 R 语言 R 是统计领域广泛使用的诞生于 1980 年左右的 S 语言的一个分支 可以认为 R 是 S 语言的一种实现 而 S 语言是由 AT&T 贝尔实验室开发的一种用来进行数据探索 统计分析和作图的解释型语言 在大数据的发展和推动下, 人们渐渐开始发现了 R 语言的优点, 并开始重视起 R 语言 内容 用 R 语言做文本分析 用 R 语言做数据挖掘 将实验报告与相关工程源文件发送到邮箱 : zywvvd@mail.ustc.edu.cn 邮件名称为 :IR_ 实验报告 _ 姓名 _ 学号
20 课程内容 第 1 章绪论 第 2 章布尔检索及倒排索引 第 3 章词项词典和倒排记录表 第 4 章索引构建和索引压缩 第 5 章向量模型及检索系统 第 6 章检索的评价 第 7 章相关反馈和查询扩展 第 8 章概率模型 第 9 章基于语言建模的检索模型 第 10 章文本分类 文本分类及朴素贝叶斯方法 基于向量空间的文本分类 支持向量机及机器学习方法 第 11 章文本聚类 第 12 章 Web 搜索 第 13 章多媒体信息检索 第 14 章其他应用简介 Information Retrieval(IR): 从大规模非结构化数据 ( 通常是文本 ) 的集合 ( 通常保存在计算机上 ) 中找出满足用户信息需求的资料 ( 通常是文档 ) 的过程 数据挖掘 (Data Mining) 从大量的 不完全的 有噪声的 模糊的 随机的实际应用数据中, 提取隐含在其中的 人们事先不知道的 但又是潜在有用的信息和知识的过程 20
21 本讲内容 : 基于向量空间的文本分类 第 10 章文本分类 文本分类及朴素贝叶斯方法 基于向量空间的文本分类 Rocchio 方法 knn(k 近邻 ) 方法 线性分类器 支持向量机及机器学习方法 多项式模型 :< t 1,, t nd > 是在 d 中出现的词项序列贝努利模型 :<e 1,, e M > 是一个 M 维的布尔向量 向量空间模型 : 每个词项对应一个维度 ( 分量 ) 21
22 基于向量空间模型的文本分类的思路 长度归一化的欧式距离计算与余弦相似度计算结果是一致的 词项 - 文档矩阵 : 二值 计数 权重矩阵 ( tf-idf 值 ) 相关性 = 向量距离 : 欧氏距离 夹角 余弦相似度 向量空间模型 利用向量空间模型进行文本分类的思路主要基于邻近假设 (contiguity hypothesis): 1 同一类的文档会构成一个邻近区域, 2 而不同类的邻近区域之间是互不重叠的 核心问题是如何找到分类面决策边界 (decision boundary) 23 Government Science Arts
23 Test Document = Government? Test Document = Science? 给定训练集可能存在多种分类面方案 选定的分类面方案有可能将测试文档归入错误的类中 Government Science Arts 24
24 例 : 可用超平面来分割多维空间 A hyperplane is a set of the form {x a T x = b}, where a R n, a 0, and b R. Geometrically, the hyperplane {x a T x = b} can be interpreted as the set of points with a constant inner product to a given vector a, or as a hyperplane with normal vector a; the constant b R determines the offset of the hyperplane from the origin. A hyperplane divides R n into two halfspaces. A (closed) halfspace is a set of the form {x a T x b}, 25
25 例 : 可用超平面来分割多维空间 A hyperplane divides R n into two halfspaces. A (closed) halfspace is a set of the form {x a T x b}, 超平面只能将空间分成两类 n=2 直线 n=3 平面 n>3 超平面 26
26 例 : 可用超平面来分割多维空间 凸集分离定理 ( 超平面分离定理 ) 是应用凸集到最优化理论中的重要结果, 这个结果在最优化理论中有重要的位置 所谓两个凸集分离, 直观地看是指两个凸集合没有交叉和重合的部分, 因此可以用一张超平面将两者隔在两边 存在多个这样的超平面 27
27 小结 : 基于向量空间的分类 邻近假设 (contiguity hypothesis) 1 同一类的文档会构成一个邻近区域, 2 而不同类的邻近区域之间是互不重叠的 文档集是否会映射成邻近区域取决于在文档表示中的很多选项, 例如权重计算方法 停用词表等 核心问题是如何找到分类面 决策边界 (decision boundary) hyperplane is a set of the form {x a T x = b} n=2 直线 n=3 平面 n>3 超平面 28
28 本讲内容 : 基于向量空间的文本分类 第 10 章文本分类 文本分类及朴素贝叶斯方法 基于向量空间的文本分类 Rocchio 方法 knn(k 近邻 ) 方法 线性分类器 支持向量机及机器学习方法 29
29 回顾 : 相关反馈 (Relevance feedback) Rocchio 算法 教材 章节,p122 我们将文档看作高维空间中的点, 质心是一堆点的质量的中心 Rocchio 算法试图寻找一个查询 q opt, 使得 : Rocchio 1971 算法 (SMART) 30
30 Rocchio 方法进行向量空间分类的思路 相关反馈和文本分类的主要区别在于 : 在文本分类中, 训练集作为输入的一部分事先给定 在相关反馈中, 训练集在交互中创建 Rocchio 分类 (Rocchio classification) 方法 利用质心 (centroid) 来定义分类边界 一个类别 c 的质心可以通过类中文档向量的平均向量或者质心向量来计算, 即 其中,D c 是文档集 D 中属于类别 c 的文档子集 :D c ={d: <d,c> D} 这里将归一化的文档向量记为 v(d) 31
31 Rocchio 算法 (1) 计算每个类的中心向量 中心向量是所有文档向量的算术平均 (2) 将每篇测试文档分到离它最近的那个中心向量 Rocchio 算法的时间复杂度与 NB 方法在训练上具有相同的时间复杂度 32
32 Rocchio 分类示例 {x a T x = b} a ( /3 1/3 1/3) T b = 1/3 33
33 Rocchio 算法中的决策边界 Rocchio 分类方法利用质心 (centroid) 来定义分类边界 两类的边界由那些到两个类质心等距的点集组成 ( 超平面 ) 如图有 a1 = a2 b1 = b2 和 c1 = c2 二维平面上的一条直线在 M 维空间中可以推广成一个超平面 34
34 Rocchio 分类方法的缺陷 A (Euclidean) ball (or just ball) in R n has the form where r > 0, and 2 denotes the Euclidean norm, i.e., u 2 = (u T u) 1/2. The vector x c is the center of the ball and the scalar r is its radius; B(x c, r) consists of all points within a distance r of the center x c. 为了遵循邻近性的要求,Rocchio 分类中的每个类别一定要近似球形, 并且它们之间具有相似的球半径 多模态类别 a 由两个不同簇 ( 分别是以 X 为中心的两个小圆 ) 组成 由于 O 更接近 a 的中心 A, 因此,Rocchio 分类会将其错分到 a 类 35
35 小结 : Rocchio 分类方法 算法步骤 (1) 计算每个类的中心向量 (2) 将每篇测试文档分到离它最近的那个中心向量 特性 Rocchio 分类方法类的边界由那些到两个类质心等距的点集组成 ( 超平面 ) Rocchio 分类中的每个类别一定要近似球形, 并且它们之间具有相似的球半径 当某类的内部文档并不近似分布在半径相近的球体之内时, 其分类精度并不高 Rocchio 算法的时间复杂度与 NB 方法在训练上具有相同的时间复杂度 36
36 本讲内容 : 基于向量空间的文本分类 第 10 章文本分类 文本分类及朴素贝叶斯方法 基于向量空间的文本分类 Rocchio 方法 knn(k 近邻 ) 方法 线性分类器 支持向量机及机器学习方法 37
37 knn(k 近邻 ) 方法 knn = k nearest neighbors,k 近邻 k = 1 情况下的 knn ( 最近邻 ): 将每篇测试文档分给训练集中离它最近的那篇文档所属的类别 1NN 不很鲁棒 : 一篇文档可能会分错类或者这篇文档本身就很反常 k > 1 情况下的 knn: 将每篇测试文档分到训练集中离它最近的 k 篇文档所属类别中最多的那个类别 knn 的基本依据 根据邻近假设, 一篇测试文档 d 将和其邻域中的训练文档应该具有相同的类别 38
38 1NN 分类器 1NN 分类器的判别边界是 Voronoi 剖分 (Voronoi tessellation ) 形成的多个线段的连接 Voronoi 剖分会将整个平面分成 D 个凸多边形, 每个多边形都仅包含其对应的文档, 而每个凸多边形是在二维空间中通过直线围成的凸区域 1NN 分类中的 Voronoi 剖分及分类边界 ( 双线表示 ) 3 个类别分别采用 x 圆圈和菱形表示 39
39 Voronoi 图 ( 俄国数学家 M.G.Voronoi 于 1908 年发现 ) 对平面 n 个离散点而言,V 图把平面分为几个区, 每一个区包括一个点, 该点所在的区是到该点距离最近点的集合 设 P 是一离散点集合 P 1,P 2, P n P, 定义 P i 的 Voronoi 区域 V(P i ) 为所有到 P i 距离最小点的集合 V(P i )={P d(p,p i ) d(p,p j ), j I, j=1, 2, n} 10 shops in a flat city and their Voronoi cells (euclidean distance) The same 10 shops, now under the Manhattan distance. 40
40 V 图生成方法 生成 V 图的方法很多, 如矢量方法 ( 对偶生成法 增添法 部件合成法 ) 栅格方法 ( 数学形态学距离变换法 地图代数距离变换法 ) 等 对偶生成法 : 生成 V 图时先生成其对偶元 Delaunay 三角网, 再做三角网每一三角形三条边的中垂线, 形成以每一三角形顶点为生成元的多边形网 41
41 Voronoi 剖分二维 多维 A hyperplane is a set of the form {x a T x = b} A polyhedron is defined as the solution set of a finite number of linear equalities and inequalities: A polyhedron is thus the intersection of a finite number of halfspaces and hyperplanes. 多边形扩展到高一维空间就是多面体 42
42 Voronoi sets and polyhedral decomposition Source: Convex Optimization,Stephen Boyd 43 Chapter 2 Convex sets
43 knn 思路的改进 改进 1 knn 的概率型版本 : 将属于类别 c 的概率估计为 k 个近邻中属于类别 c 的文档比例 P(c d) = d 的最近的 k 个邻居中属于 c 类的比例 将 d 分到具有最高概率 P(c d) 的类别 c 中 改进 2 也可以将 k 个近邻基于其余弦相似度进行加权 这种情况下, 文档 d 属于某个类别 c 的得分计算如下 其中,S k 表示的是文档 d ' 的 k 个近邻文档组成的集合, 如果 d ' 属于类别 c 则 I c (d ')=1, 否则 I c (d ')=0 最后将得分最高的类别赋予文档 d ' 44
44 knn 示例 1 对于 对应的文档, 在 1NN 和 3NN 下, 分别应该属于哪个类? 45
45 knn 算法 对于 k N 的一般 knn 分类来说, 考虑 k 个最近邻的区域的方法同前面一样 这里会再次得到一个凸多边形, 整个空间也会划分为多个凸多边形, 每个凸多边形中的 k 个近邻组成的集合是不变的 knn 算法的流程 : knn 的训练 ( 包括预处理 ) 和分类过程 S k 表示的是文档 d 的 k 个近邻文档组成的集合 p j 是概率 P(c j S k ) = P(c j d) 的估计值, c j 表示的是类别 c j 中的所有文档 46
46 knn 示例 2 对于 对应的文档, 在下列分类器下, 分别应该属于哪个类? (i) 1-NN (ii) 3-NN (iii) 9-NN (iv) 15-NN (v) Rocchio? 47
47 knn 的时间复杂度 knn 分类器的训练和测试时间复杂度,M ave 是文档集中每篇文档的平均词汇量大小 ( 即平均词项个数 ),L ave 是文档的平均长度, L a 和 M a 分别是测试文档中词条及词条类 ( 即不同词项 ) 的数目 不需要训练过程 但是, 文档的线性预处理过程和朴素贝叶斯的训练开销相当 对于训练集来说我们一般都要进行预处理, 因此现实当中 knn 的训练时间是线性的 当训练集非常大的时候,kNN 分类的精度很高 如果训练集很小, knn 可能效果很差 48
48 小结 :knn(k 近邻 ) 方法 思路 : 将每篇测试文档分到训练集中离它最近的 k 篇文档所属类别中最多的那个类别 knn 的基本依据 : 根据邻近假设, 一篇测试文档 d 将和其邻域中的训练文档应该具有相同的类别 当训练集非常大的时候, knn 分类的精度很高 如果训练集很小, knn 可能效果很差 49
49 本讲内容 : 基于向量空间的文本分类 第 10 章文本分类 文本分类及朴素贝叶斯方法 基于向量空间的文本分类 Rocchio 方法 knn(k 近邻 ) 方法 线性分类器 常见的线性 / 非线性分类器 非线性的分类问题 多类别的分类问题 支持向量机及机器学习方法 50
50 线性分类器 定义 : 线性分类器计算特征值的一个线性加权和 决策规则 : 其中, 是一个参数 考虑二元分类器 从几何上说, 二元分类器相当于二维平面上的一条直线 三维空间中的一个平面或者更高维下的超平面, 称为分类面 分类面 基于训练集来寻找该分类面 寻找分类面的方法 : 感知机 (Perceptron) Rocchio, Naïve Bayes 我们将解释为什么后两种方法也是二元分类器 51
51 一维下的线性分类器 一维下的分类器是方程 w 1 d 1 = θ 对应的点 点的位置是 θ/w 1 那些满足 w 1 d 1 θ 的点 d 1 属于类别 c 而那些 w 1 d 1 < θ 的点 d 1 属于类别 θ/w 1 A hyperplane is a set of the form {x w T x = θ}, where w R n, w 0, and θ R. 52
52 二维平面下的线性分类器 二维下的分类器是方程 w 1 d 1 +w 2 d 2 = θ 对应的直线 那些满足 w 1 d 1 + w 2 d 2 θ 的点 (d 1 d 2 ) 属于类别 c 那些满足 w 1 d 1 + w 2 d 2 < θ 的点 (d 1 d 2 ) 属于类别 A hyperplane is a set of the form {x w T x = θ}, where w R n, w 0, and θ R. 53
53 三维空间下的线性分类器 三维空间下分类器是方程 w1d1 + w2d2 + w3d3 = θ 对应的平面 那些满足 w1d1 + w2d2 + w3d3 θ 的点 (d1 d2 d3) 属于类别 c 那些满足 w1d1 + w2d2 + w3d3 < θ 的点 (d1 d2 d3) 属于类别 A hyperplane is a set of the form {x w T x = θ}, where w 54 R n, w 0, and θ R.
54 A hyperplane is a set of the form {x w T x = θ}, where w R n, w 0, and θ R. Two-class Rocchio as a linear classifier Line or hyperplane defined by: For Rocchio, set:
55 Sec.14.4 Naive Bayes is a linear classifier Two-class Naive Bayes. We compute: Decide class C if the odds is greater than 1, i.e., if the log odds is greater than 0. So decision boundary is hyperplane:
56 knn 不是线性分类器 knn 分类决策取决于 k 个邻居类中的多数类 类别之间的分类面是分段线性的 但是一般来说, 很难表示成如下的线性分类器 59
57 线性分类器 : 讨论 很多常用的文本分类器都是线性分类器 : 朴素贝叶斯 Rocchio logistic 回归 线性 SVM 等等 不同的方法在测试文档分类性能时存在巨大差异 ( 分类面的选择不同 ) 能否通过更强大的非线性分类器来获得更好的分类性能? 一般情况下不能, 给定数量的训练集可能足以估计一个线性分类面, 但是不足以估计一个更复杂的非线性分类面 60
58 线性分类器训练困难的原因之一 : 噪音文档 一个带噪音的线性问题 在这个假想的 Web 网页分类下, 仅包含中文的网页用实心圆表示, 而中英文混合网页用小方块表示 除了 3 篇噪音文档 ( 用箭头标记 ) 外, 这两个类可以被一个线性类别边界 ( 用短破折号虚线表示 ) 分开 61
59 非线性的分类问题 Linear / nonlinear classifiers 诸如 Rocchio 的线性分类器在处理上述问题时效果很差 在训练集规模充分时,kNN 可以获得好的效果 62
60 高维非线性分类 一维线性分类 Fisher's linear discriminant Christopher M. Bishop Pattern Recognition and Machine Learning Chapter4 Fisher 判别的基本思路就是投影 对 P 维空间中的某点 x=(x 1,x 2,,x p ) 寻找一个能使它降为一维数值的线性函数 y(x)= C j x j 用 y(x) 把 P 维空间中的样本都变换为一维数据, 再根据其间的亲疏程度把未知归属的样本点判定其归属 y(x) 应该能够在把 P 维空间中的所有点转化为一维数值之后, 既能最大限度地缩小同类中各个样本点之间的差异, 又能最大限度地扩大不同类别中各个样本点之间的差异, 这样才可能获得较高的判别效率 63
61 Fisher's linear discriminant 最佳投影方向的求解 S B is the between-class covariance matrix S W is the total within-class covariance matrix Fisher 准则函数 Fisher 最佳投影方向求解 64
62 多类问题,K >2 classes ambiguous regions 左图 one-versus-the-rest classifier: K 1 classifiers 右图 one-versus-one classifier: K(K 1)/2 classifiers Christopher M. Bishop Pattern Recognition and Machine Learning Chapter4 65
63 多标签分类问题 单标签分类问题, 也称 single label problem 类别之间互斥 每篇文档属于且仅属于某一个类 多标签分类问题, 也称 multilabel classification 一篇文档可以属于 0 1 或更多个类 对于多标签分类问题 ( 比如 A B C 三类 ), 可以组合为多个二类线性分类器 (A vs. BC B vs. AC C vs. AB)??? 66
64 多类情形分类器的评估混淆矩阵 (confusion matrix) 67
65 小结 : 线性分类器 线性分类器 : 超平面 Two-class Rocchio as a linear classifier Naive Bayes is a linear classifier knn 不是线性分类器 Linear / nonlinear classifiers Noise documents Fisher's linear discriminant single label problem multilabel classification 68
66 本讲要点回顾 基于向量空间的分类 Rocchio knn 线性分类器 : hyperplane Rocchio Naive Bayes 69
67 谢谢大家! 70
标题
第 19 卷 摇 第 4 期 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 模 式 识 别 与 人 工 智 能 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 Vol. 19 摇 No. 4 摇 006 年 8 月 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 PR & AI 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 Aug 摇 摇
4.C ( 详细解析见视频课程 绝对值 01 约 21 分 15 秒处 ) 5.E ( 详细解析见视频课程 绝对值 01 约 32 分 05 秒处 ) 6.D ( 详细解析见视频课程 绝对值 02 约 4 分 28 秒处 ) 7.C ( 详细解析见视频课程 绝对值 02 约 14 分 05 秒处 )
[ 说明 ] 1. 以下所指教材是指朱杰老师的 管理类联考综合能力数学套路化攻略 2. 该文档中所标答案和参见的教材答案, 与视频有冲突的, 以视频答案为准! 基础篇 第 1 章 数 1.2.1 整数例题答案 : 1. A ( 详细解析见教材 P7 例 2) 2. D ( 详细解析见视频课程 数的性质 约 10 分 53 秒处 ) 3. C ( 详细解析见教材 P7 例 3) 4.E ( 详细解析见视频课程
Microsoft Word - p11.doc
() 11-1 ()Classification Analysis( ) m() p.d.f prior (decision) (loss function) Bayes Risk for any decision d( ) posterior risk posterior risk Posterior prob. j (uniform prior) where Mahalanobis Distance(M-distance)
ENGG1410-F Tutorial 6
Jianwen Zhao Department of Computer Science and Engineering The Chinese University of Hong Kong 1/16 Problem 1. Matrix Diagonalization Diagonalize the following matrix: A = [ ] 1 2 4 3 2/16 Solution The
女性减肥健身（一）.doc
1...1...3...4...5...7 IN...10...13 smart...17...18...19...19...25...31...33...34...36...37...41...44 I ...47...48 6...52...55 7...59...62...64...66...67...69...71...73...75...82...88...90...92...93...98
K-means
zwp@ustc.edu.cn Office: 1006 Phone: 63600565 http://staff.ustc.edu.cn/~zwp/ http://fisher.stat.ustc.edu.cn 1.1....................... 1 1.2............... 6 1.3.................... 11 1.3.1...............
信息检索与数据挖掘
1 信息检索与数据挖掘 习题讨论 2 第 2 章布尔检索和倒排索引 习题 1-5: 将倒排记录表合并算法推广到任意布尔查询表达式, 考虑其时间复杂度? 对下面的查询 (Brutus OR Caesar) AND NOT (Antony OR Cleopatra), 我们能保证在线性时间内完成合并吗? 线性是针对什么来说的? 能否对此加以改进? 知识点 : 倒排记录表的合并算法及其复杂度 3 第 2
摘要 随着 Internet 的迅猛发展和日益普及, 网络文本信息急剧增长, 如何有效的 组织和管理这些海量信息, 并能够快速 准确 全面地获得用户所需要的信息是 当今信息科学技术领域面临的一大挑战 文本分类作为处理和组织大量文本数据 的关键技术, 可以在较大程度上解决信息杂乱现象的问题, 方便用户准确地定位 所需要的信息和分流信息 而且作为信息过滤 信息检索 搜索引擎 文本数据库 数字化图书馆等技术基础,
(baking powder) 1 ( ) ( ) 1 10g g (two level design, D-optimal) 32 1/2 fraction Two Level Fractional Factorial Design D-Optimal D
( ) 4 1 1 1 145 1 110 1 (baking powder) 1 ( ) ( ) 1 10g 1 1 2.5g 1 1 1 1 60 10 (two level design, D-optimal) 32 1/2 fraction Two Level Fractional Factorial Design D-Optimal Design 1. 60 120 2. 3. 40 10
國立中山大學學位論文典藏.PDF
Air Visibility Forecasting via Artificial Neural Networks and Feature Selection Techniques 2003 7 Air Visibility Forecasting via Artificial Neural Networks and Feature Selection Techniques Sequential Floating
Microsoft Word - 122046.doc
第 38 卷 第 20 期 Vol.38 No.20 计 算 机 工 程 Computer Engineering 2012 年 10 月 October 2012 人 工 智 能 及 识 别 技 术 摘 行 为 特 征 分 析 模 式 下 的 网 页 分 类 技 术 研 究 汤 亚 玲 1, 崔 志 明 (1. 安 徽 工 业 大 学 计 算 机 学 院, 安 徽 马 鞍 山 243002;2.
! " # " " $ % " " # # " $ " # " #! " $ "!" # "# # #! &$! ( % "!!! )$ % " (!!!! *$ ( % " (!!!! +$ % " #! $!, $ $ $ $ $ $ $, $ $ "--. %/ % $ %% " $ "--/
"##$ "% "##& " "##( )$ "##%! ) "##$ * "##( "##$ "##(!!!!!!!!! ! " # " " $ % " " # # " $ " # " #! " $ "!" # "# # #! &$! ( % "!!! )$ % " (!!!! *$ ( % " (!!!! +$ % " #! $!, $ $ $ $ $ $ $, $ $ "--. %/ % $
前 言 随 着 中 国 高 等 教 育 数 量 扩 张 目 标 的 逐 步 实 现, 提 高 教 育 质 量 的 重 要 性 日 益 凸 显 发 布 高 校 毕 业 生 就 业 质 量 年 度 报 告, 是 高 等 学 校 建 立 健 全 就 业 状 况 反 馈 机 制 引 导 高 校 优 化 招
I 前 言 随 着 中 国 高 等 教 育 数 量 扩 张 目 标 的 逐 步 实 现, 提 高 教 育 质 量 的 重 要 性 日 益 凸 显 发 布 高 校 毕 业 生 就 业 质 量 年 度 报 告, 是 高 等 学 校 建 立 健 全 就 业 状 况 反 馈 机 制 引 导 高 校 优 化 招 生 和 专 业 结 构 改 进 人 才 培 养 模 式 及 时 回 应 社 会 关 切 的 一 项
第四章 １０２ 图 ４唱１６ 基于图像渲染的理论基础 三张拍摄图像以及它们投影到球面上生成的球面图像 拼图的圆心是相同的 而拼图是由球面图像上的弧线图像组成的 因此我 们称之为同心球拼图 如图 ４唱１８ 所示 这些拼图中半径最大的是圆 Ｃｋ 最小的是圆 Ｃ０ 设圆 Ｃｋ 的半径为 ｒ 虚拟相机水平视域为 θ 有 ｒ Ｒ ｓｉｎ θ ２ ４畅１１ 由此可见 构造同心球拼图的过程实际上就是对投影图像中的弧线图像
Untitled-3
SEC.. Separable Equations In each of problems 1 through 8 solve the given differential equation : ü 1. y ' x y x y, y 0 fl y - x 0 fl y - x 0 fl y - x3 3 c, y 0 ü. y ' x ^ y 1 + x 3 x y 1 + x 3, y 0 fl
White Paper 2014 届 毕 业 生 内 部 资 料 严 禁 抄 袭 非 经 允 许 不 得 翻 印 就 业 状 况 白 皮 书 就 业 创 业 指 导 中 心 2015 年 5 月 目 录 第 一 部 分 毕 业 生 基 本 情 况... 1 一 2014 届 毕 业 生 基 本 情 况... 1 1 性 别 比 例... 1 2 学 历 类 别... 2 二 初 次 签 约 就 业
2006產業管理創新研討會論文格式說明
粗 集 理 論 萃 取 影 響 國 小 數 學 學 習 成 就 因 素 鄭 景 俗 * 雲 林 科 技 大 學 資 訊 管 理 所 教 授 e-mail: chcheng@mis.yuntech.edu.tw 楊 欣 怡 雲 林 科 技 大 學 資 訊 管 理 所 研 究 生 e-mail: g9623233@yuntech.edu.tw 摘 要 本 研 究 主 要 目 的 在 利 用 粗 集 理
婴幼儿护理（六）.doc
...1...1...2...5...9...12...14...16...20...21...25...28 17...32...38...41...42...43...44...45 I II...46...47...48...49 3...49...51...51...52...53...53...56...58...61...64 1...65...66...72 4...73...76...78...80
第二章
中 国 建 筑 股 份 有 限 公 司 内 部 控 制 手 册 (2009 年 版 ) 目 录 第 一 章 总 则 1 编 制 内 部 控 制 手 册 目 的 依 据 1 2 内 部 控 制 手 册 的 适 用 范 围 1 3 内 部 控 制 基 本 原 则 1 4 内 部 控 制 的 基 本 要 求 2 5 内 部 控 制 组 织 机 构 4 6 内 部 控 制 手 册 的 更 新 与 监 督 4
United Nations Convention Against Transnational Organized Crime and the Protocols thereto
联 合 国 打 击 跨 国 有 组 织 犯 罪 公 约 及 其 议 定 书 联 合 国 联 合 国 毒 品 和 犯 罪 问 题 办 事 处 维 也 纳 联 合 国 打 击 跨 国 有 组 织 犯 罪 公 约 及 其 议 定 书 联 合 国 2004 年, 纽 约 前 言 通 过 于 2000 年 12 月 在 意 大 利 巴 勒 莫 签 署 联 合 国 打 击 跨 国 有 组 织 犯 罪 公 约,
untitled
1993 79 2010 9 80 180,000 (a) (b) 81 20031,230 2009 10,610 43 2003 2009 1,200 1,000 924 1,061 800 717 600 530 440 400 333 200 123 0 2003 2004 2005 2006 2007 2008 2009 500 2003 15,238 2009 31,4532003 2009
bnbqw.PDF
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 ( ( 1 2 16 1608 100004 1 ( 2003 2002 6 30 12 31 7 2,768,544 3,140,926 8 29,054,561 40,313,774 9 11,815,996 10,566,353 11 10,007,641 9,052,657 12 4,344,697
Microsoft Word - 發布版---規範_全文_.doc
建 築 物 無 障 礙 設 施 設 計 規 範 內 政 部 97 年 4 年 10 日 台 內 營 字 第 0970802190 號 令 訂 定, 自 97 年 7 月 1 日 生 效 內 政 部 97 年 12 年 19 日 台 內 營 字 第 0970809360 號 令 修 正 內 政 部 101 年 11 年 16 日 台 內 營 字 第 1010810415 號 令 修 正 目 錄 第 一
概 述 随 着 中 国 高 等 教 育 数 量 扩 张 目 标 的 逐 步 实 现, 提 高 教 育 质 量 的 重 要 性 日 益 凸 显 发 布 高 校 毕 业 生 就 业 质 量 年 度 报 告, 是 高 等 学 校 建 立 健 全 就 业 状 况 反 馈 机 制 引 导 高 校 优 化 招
I 概 述 随 着 中 国 高 等 教 育 数 量 扩 张 目 标 的 逐 步 实 现, 提 高 教 育 质 量 的 重 要 性 日 益 凸 显 发 布 高 校 毕 业 生 就 业 质 量 年 度 报 告, 是 高 等 学 校 建 立 健 全 就 业 状 况 反 馈 机 制 引 导 高 校 优 化 招 生 和 专 业 结 构 改 进 人 才 培 养 模 式 及 时 回 应 社 会 关 切 的 一 项
鱼类丰产养殖技术（二）.doc
...1...1...4...15...18...19...24...26...31...35...39...48...57...60...62...66...68...72 I ...73...88...91...92... 100... 104... 144... 146... 146... 147... 148... 148... 148... 149... 149... 150... 151...
疾病诊治实务（一）
...1...4...5...8...13...14...15...18...18...19...22...25...26...27...29...30...32...35 I ...38...42...43...45...48...51...53...56...59...60...60...61...63...65...67...69...72...74...77...80...82...84 II
名人养生.doc
I...1...3...4...6... 11...14...18...22...26...29...31...38...45...49...56...57...59...61...67 ...72...73...75...77...80...83...85...91...92...93...95...96...97... 103... 107... 109... 110... 112... 118...
<4D6963726F736F667420576F7264202D2040B9C5B871A661B0CFABC8AE61C2A7AB55ACE3A8735FA7F5ABD8BFB3B9C5B871A661B0CFABC8AE61C2A7AB55ACE3A8732E646F63>
嘉 義 地 區 客 家 禮 俗 研 究 第 一 章 前 言 嘉 義 地 區 的 客 家 族 群 約 略 可 分 為 福 佬 客 詔 安 客 與 北 部 客 等 三 種 類 別, 其 分 佈 區 域 以 海 線 地 區 平 原 地 形 沿 山 地 區 為 主 有 相 當 多 的 北 部 客 家 人, 是 二 次 大 戰 末 期 和 戰 後 初 期 才 移 民 嘉 義, 是 什 麼 因 素 令 許 多
05301930
國 立 中 正 大 學 法 學 系 碩 士 論 文 河 川 砂 石 法 規 範 之 探 討 - 以 採 取 土 石 及 挖 掘 河 川 認 定 基 準 為 主 指 導 教 授 : 盧 映 潔 博 士 研 究 生 : 王 瑞 德 中 華 民 國 一 百 零 一 年 五 月 目 錄 第 一 章 緒 論... 1 第 一 節 研 究 動 機... 1 第 二 節 研 究 目 的... 3 第 三 節 研
中老年保健必读（十）.doc
...1...2...3...4...5...6...8...9... 11 - -...13...15...17...18...20...22...23...25...26...28 I II...30...32...34...35...38...40...42...44...46...47...48...50...52...53 X...55...56...57...58...60...61...63...65
23 29 15.6% 23 29 26.2% 3 25 2 15 1 5 1,542 12,336 14,53 16,165 18,934 22,698 25,125 25 2 15 1 5 5,557 7,48 8,877 11, 13,732 17,283 22,485 23 24 25 26
4, 197823 2916.3%29 335, 23 29.5% 23 29 16.3% 14 35 33,535 14 135 13 125 1,292 1,3 1,38 1,314 1,321 1,328 1,335 3 25 2 15 1 5 1. 1.1 13,582 15,988 1.4 18,322 11.6 11.9 21,192 24,953 3,67 9. 8.7 12 1 8
海淀区、房山区（四）
...1...1...2...7...8...9... 11... 15... 17... 17... 18... 19... 20... 21... 23... 25... 28... 31... 32 I ... 35... 36... 37... 39... 42... 43... 48... 53... 54... 58... 63... 64... 65... 66... 68... 71...
穨ecr1_c.PDF
i ii iii iv 1 2 3 4 5 5555522 6664422 77722 6 7 8 9 10 11 22266 12833 1894 12 13 14 15 16 17 18 19 20 21 22 23 24 25 8.14 2.15 2.18 26 27 28 29 30 31 2.16 2.18 5.23 32 33 34 35 36 37 38 39 40 41 42 43
穨2005_-c.PDF
2005 10 1 1 1 2 2 3 5 4 6 2 7 3 11 4 1 13 2 13 3 14 4 14 5 15 6 16 7 16 8 17 9 18 10 18 2005 10 1 1. 1.1 2 1.2 / / 1.3 69(2) 70(2) 1.4 1.5 1.6 2005 10 1 2. 2.1 2.2 485 20(8) (a) (i) (ii) (iii) (iv) 571
北京理工大学.doc
( )...1...6...8...10...20...22...24...28...30...32...40 I ...53...55...61 ( )...62...71...74 ( )...77...81...84...86...88...89...91...92...96...99... 110...111... 112 II ... 113... 114... 115... 116...
尲㐵.⸮⸮⸮⸮⸮
I...1...2...3...4...5...6...8...9...10... 11...12...13...14...15...16...17...18...19...20...21...22...23...24...26 II...27...28...28...29...30...31...32...34...35...36...37...38...39...39...40...41...43...43...44...45...46...47...48...48...49...50
东城区（下）
...1...1...2...3...9...9... 12... 12... 17... 17... 18... 19... 20... 29... 31... 37... 41... 70... 73 I ... 74... 78... 78... 79... 80... 85... 86... 88... 90... 90... 90... 92... 93... 95... 95... 96...
果树高产栽培技术（一）.doc
( ) ...1...1...3...10... 11...12...15...17...18...19...20...22...23...24...26...27...28...30...31...32 I ...36...38...40...41...42...44...45...47...48...49...50...51...52...53...55...58...59...60...61...62...66...67
物质结构_二_.doc
I...1...3...6...8 --... 11 --...12 --...13 --...15 --...16 --...18 --...19 --...20 --...22 --...24 --...25 --...26 --...28 --...30 --...32 --...34 --...35 --...37 --...38...40 II...41...44...46...47...48...49...51...52...55...58
第一節 研究動機與目的
中 國 文 化 大 學 中 國 文 學 研 究 所 碩 士 論 文 華 嚴 一 真 法 界 思 想 研 究 指 導 教 授 : 王 俊 彥 研 究 生 : 許 瑞 菁 中 華 民 國 98 年 12 月 自 序 在 佛 教 經 典 中 最 初 接 觸 的 是 佛 說 無 量 壽 經, 此 經 乃 大 方 廣 佛 華 嚴 經 的 精 華 版 綱 要 版 為 了 瞭 解 經 義, 深 知 宇 宙 運
水力发电（九）
...1...17...20...26...27...30...33...34...36...37...44...47...49...58...77...79...90...96...107 I ...114...115...132...134...137...138...139...140...142...142...144...146...146...146...148...148...149...149...150...151...151...152
中国古代文学家（八）.doc
...1...5...26...27...43...44...48...50...52...54...55...57...60...61...62...63...65...67...68 I ...69...70...71...75...77...78...82...84...95...98...99... 101... 103... 107... 108... 109... 110...111...
景观植物（一）
...1...5...6...8... 11...13...15...18...21...23...26...29...43...51 5...53...58...62...63...65 I ...67...70...72...74...76...77...78...80...81...84...85...87...88...90...92...94...97... 109... 113... 115...
Microsoft Word - 目录.doc
教 学 管 理 文 件 汇 编 目 录 教 育 法 规 和 指 导 性 文 件 1. 中 华 人 民 共 和 国 高 等 教 育 法 1 2. 中 华 人 民 共 和 国 教 师 法 8 3. 普 通 高 等 学 校 学 生 管 理 规 定 12 4. 高 等 学 校 学 生 行 为 准 则 18 5. 中 华 人 民 共 和 国 学 位 条 例 19 6. 高 等 学 校 教 学 管 理 要 点
园林植物卷（三）.doc
I II III IV 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 84k 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65
厨房小知识_一_
... 1... 1... 2... 3... 3... 5... 6... 7... 7... 8... 10...11... 12... 13... 15... 17... 18... 19... 19... 20... 23... 24... 24 ... 26... 26... 29... 30... 31... 32... 33... 34... 37... 38... 40... 41...
中南财经大学（七）.doc
...1...16...20...22...31...32...34...37...38...40...44...46...54...58...59...60...61 I ...62...63...70...77...79...81...84...90...93...95...95...97... 100... 102... 104... 105... 106... 107... 109... 113
1................................... 1................................... 2......................................... 3......................................... 4.............................. 5.........................................
赵飞燕外传、四美艳史演义
\ I... 1...1...8... 9... 9...9...11...13...16...19...22...25...28...33...36...39...42 II...46...48...51...55...58...62... 67...67...70...73...76...79...83...86...89...92...96...99... 102... 105... 108...
厨房小知识（五）
I...1...2...3...4...5...6 ()...7 ()...9...10...10... 11...12...13...14...15...15...16...18...19...20...20...21...21 II...24...27...28...29...29...31...32...33...34...35...36...38...38...39...40...40...41...42...42...43...44...44...47...48...50...50
最新监察执法全书（十八）.doc
.............. I ..................................................... II .......................................... III ... 2003......... IV ,
园林植物卷（十二）.doc
... 1... 4... 8... 8... 9... 9...11... 13... 15... 20... 23... 30... 31... 36... 39... 40... 43 I ... 47... 52... 57... 60 1... 65 2... 71 (3)... 78... 81... 87... 89... 91... 94... 95... 97 ( )... 100...
华东师范大学.doc
...1...3...4...5...6...7 ( )...9 ( )...10...16...19...21...22...23...27...27...31...31 I II...33...34 ( )...36 () ( )...44 () ( ) ( )...49 ( )...54...56...60 ( )...64...70...81...89 2004...95...97...99...
國立中山大學學位論文典藏
I...1...1...4...4...6...6...13...24...29...44...44...45...46...47...48...50...50...56...60...64...68...73...73...85...92...99...105...113...121...127 ...127...131...135...142...145...148 II III IV 1 2
乳业竞争_一_
...1...7...10... 11...14...17...18...19...21...23...25...26...28 50...30...31 48...31 3000...34...35...37 I ...40...44...45...48...50...51...55...56...58...58...60 ()...62 ()...66...71...72...72...73...76...77
最新执法工作手册（十）.doc
......................................... I ......... 2003....................................... II III............................................................ IV..............................................................
untitled
...1 1...1...3...5...6...8...8...15...16...19 21...21...24...25...26...29...30...33...36...38...41...41 ( )...41...42...48...48...57...57...63...67...67...67...67...71...74 I ...76...76...79...81...82...82...83...83...83...84...84...85...85...85
最新执法工作手册（十六）
............................................. I ................................... II ........................... 2001......... III IV......................................... ........................
中国政法大学（六）.doc
...1...6...8 2004... 11...15 2003...16...20...29...32...34...38...39...42...43...44...48 I ...53...58...61...63...71...75...77...79...83...91...94...95...98... 100... 102... 102... 105... 106... 107...
胎儿健康成长.doc
...1...2...5...6...7...8...9... 11...13...15...16...17...19...22...22...23...24...25 I II...26...27...30...31...32...33...36...38...38...39...40...43...44...46...46...47...48...50...52...54...55...59 ...62
第三章
第 三 章 :2017 年 行 政 長 官 產 生 辦 法 - 可 考 慮 的 議 題 行 政 長 官 的 憲 制 及 法 律 地 位 3.01 基 本 法 第 四 十 三 條 規 定 : 香 港 特 別 行 政 區 行 政 長 官 是 香 港 特 別 行 政 區 的 首 長, 代 表 香 港 特 別 行 政 區 香 港 特 別 行 政 區 行 政 長 官 依 照 本 法 的 規 定 對 中 央 人
nb.PDF
3 4 5 7 8 9..10..15..16..19..52 -3,402,247-699,783-1,611,620 1,790,627 : - - -7,493 - -1,687 2,863 1,176 2,863 - -148,617 - - 12,131 51,325 - -12,131-2,165 14-2,157 8-3,393,968-794,198-1,620,094 1,781,367
Microsoft Word - 08 单元一儿童文学理论
单 元 ( 一 ) 儿 童 文 学 理 论 内 容 提 要 : 本 单 元 共 分 成 三 个 小 课 目, 即 儿 童 文 学 的 基 本 理 论 儿 童 文 学 创 作 和 儿 童 文 学 的 鉴 赏 与 阅 读 指 导 儿 童 文 学 的 基 本 理 论 内 容 包 括 儿 童 文 学 的 基 本 含 义 儿 童 文 学 读 者 儿 童 文 学 与 儿 童 年 龄 特 征 和 儿 童 文 学
南華大學數位論文
南 華 大 學 哲 學 與 生 命 教 育 學 系 碩 士 論 文 呂 氏 春 秋 音 樂 思 想 研 究 研 究 生 : 何 貞 宜 指 導 教 授 : 陳 章 錫 博 士 中 華 民 國 一 百 零 一 年 六 月 六 日 誌 謝 論 文 得 以 完 成, 最 重 要 的, 是 要 感 謝 我 的 指 導 教 授 陳 章 錫 博 士, 老 師 總 是 不 辭 辛 勞 仔 細 閱 讀 我 的 拙
Microsoft Word - 3.3.1 - 一年級散文教案.doc
光 明 英 來 學 校 ( 中 國 文 學 之 旅 --- 散 文 小 說 教 學 ) 一 年 級 : 成 語 ( 主 題 : 勤 學 ) 節 數 : 六 教 節 ( 每 課 題 一 教 節 ) 課 題 : 守 株 待 兔 半 途 而 廢 愚 公 移 山 鐵 杵 磨 針 孟 母 三 遷 教 學 目 的 : 1. 透 過 活 動, 學 生 能 說 出 成 語 背 後 的 含 意 2. 學 生 能 指
第３２回独立行政法人評価委員会日本貿易保険部会 資料1-1 平成22年度財務諸表等
1 12,403 2,892 264,553 19,517 238,008 10,132 989 36 9,869 2,218 250 122 ( 126 108 1,563 278 159 260 478 35,563 1,073 74 190,283 104,352 140,658 20,349 16,733 21,607 (21,607) 58,689 303,699 339,262 339,262
1. 本文首段的主要作用是 A. 指出 異蛇 的藥用功效 說明 永之人爭奔走焉 的原因 B. 突出 異蛇 的毒性 為下文 幾死者數矣 作鋪墊 C. 交代以蛇賦稅的背景 引起下文蔣氏有關捕蛇的敘述 2. 本文首段從三方面突出蛇的 異 下列哪一項不屬其中之一 A. 顏色之異 B. 動作之異 C. 毒性之
1. 本文首段的主要作用是 A. 指出 異蛇 的藥用功效 說明 永之人爭奔走焉 的原因 B. 突出 異蛇 的毒性 為下文 幾死者數矣 作鋪墊 C. 交代以蛇賦稅的背景 引起下文蔣氏有關捕蛇的敘述 2. 本文首段從三方面突出蛇的 異 下列哪一項不屬其中之一 A. 顏色之異 B. 動作之異 C. 毒性之異 3. 太醫以王命聚之 中的 以 字與下列哪一項的 以 意思相同 A. 以齧人 B. 而吾以捕蛇獨存
項 訴 求 在 考 慮 到 整 體 的 財 政 承 擔 以 及 資 源 分 配 的 公 平 性 下, 政 府 採 取 了 較 簡 單 直 接 的 一 次 性 減 稅 和 增 加 免 稅 額 方 式, 以 回 應 中 產 家 庭 的 不 同 訴 求 ( 三 ) 取 消 外 傭 徵 費 6. 行 政 長
2013 年 1 月 23 日 的 立 法 會 會 議 葛 珮 帆 議 員 就 幫 助 中 產 動 議 的 議 案 ( 經 單 仲 偕 議 員 及 莫 乃 光 議 員 修 正 ) 進 度 報 告 在 2013 年 1 月 23 日 的 立 法 會 會 議 上, 由 葛 珮 帆 議 員 就 幫 助 中 產 動 議 的 議 案, 經 單 仲 偕 議 員 及 莫 乃 光 議 員 修 正 後 獲 得 通 過
(f) (g) (h) (ii) (iii) (a) (b) (c) (d) 208
(a) (b) (c) (d) (e) 207 (f) (g) (h) (ii) (iii) (a) (b) (c) (d) 208 17.29 17.29 13.16A(1) 13.18 (a) (b) 13.16A (b) 12 (a) 209 13.19 (a) 13.16A 12 13.18(1) 13.18(4) 155 17.43(1) (4) (b) 13.19 17.43 17.29
Microsoft Word - edu-re~1.doc
前 言 學 習, 可 以 為 個 創 造 未 來 ; 教 育, 能 夠 為 社 會 開 拓 明 對 個 而 言, 教 育 可 以 幫 助 每 個 發 展 潛 能 建 構 知 識 及 提 升 個 素 質 ; 它 賦 予 每 個 掌 握 前 途 和 開 拓 未 來 的 能 力 對 社 會 而 言, 教 育 不 單 可 以 培 育 才, 而 且 具 有 ㆒ 個 更 深 層 的 意 義, 它 給 予 社 會
Outline Speech Signals Processing Dual-Tone Multifrequency Signal Detection 云南大学滇池学院课程 : 数字信号处理 Applications of Digital Signal Processing 2
CHAPTER 10 Applications of Digital Signal Processing Wang Weilian wlwang@ynu.edu.cn School of Information Science and Technology Yunnan University Outline Speech Signals Processing Dual-Tone Multifrequency
おおさか経済の動き pwd
http://www.pref.osaka.jp/aid/sangyou/index.html 100 90 80 70 1 2 3 4 5 6 7 8 9 101112 1 2 3 4 5 6 7 8 9 101112 1 2 3 4 5 6 7 8 9 101112 H22 H23 H24-5 -10-15 5 0 10 1 2 3 4 5 6 7 8 9 101112 1 2 3 4 5 6
前 言 湖 北 大 学 知 行 学 院 是 经 国 家 教 育 部 批 准 由 湖 北 大 学 举 办 的 具 有 学 士 学 位 授 予 权 的 全 日 制 普 通 高 等 院 校, 是 湖 北 省 首 批 应 用 技 术 转 型 发 展 试 点 院 校 之 一 学 院 非 常 注 重 规 模 质
I 前 言 湖 北 大 学 知 行 学 院 是 经 国 家 教 育 部 批 准 由 湖 北 大 学 举 办 的 具 有 学 士 学 位 授 予 权 的 全 日 制 普 通 高 等 院 校, 是 湖 北 省 首 批 应 用 技 术 转 型 发 展 试 点 院 校 之 一 学 院 非 常 注 重 规 模 质 量 结 构 效 益 相 统 一, 经 过 十 多 年 的 建 设, 学 院 步 入 了 由 规
Lecture5-Classification.pptx
内容回顾 试解释基于用户反馈的查询扩展 试解释自动查询扩展的工作原理 试计算 acb 和 abd 的编辑距离 (Edit distance) 1 信息检索原理 课程 第五讲文本分类与聚类技术 授课人 : 孙海龙 2016.10.21 1 提纲 文本分类概述 无监督的机器学习算法 有监督的机器学习算法 3 概述 物以类聚 : 对于大量的文档, 如何能够按照某个主题进行搜索 按照共同的主题对文档进行分组
香 港 舞 蹈 總 會 北 京 舞 蹈 學 院
報 名 規 則 : I. 保 送 教 師 資 格 : 香 港 舞 蹈 總 會 主 辦 二 零 一 六 年 秋 季 趣 學 堂 幼 兒 舞 蹈 課 程 評 核 報 名 及 規 則 ( 請 於 報 名 前 詳 細 閱 讀 整 份 文 件 ) 學 生 必 須 由 認 可 教 師 保 送 參 加 評 核, 而 以 下 為 認 可 教 師 的 資 格 : i. 持 有 由 香 港 舞 蹈 總 會 頒 發 之
Microsoft PowerPoint - 4-朴素贝叶斯.pptx
机器学习 4. 朴素贝叶斯 主要内容 贝叶斯分类器 NB 基本原理 MLE vs. MAP 垃圾邮件分类 Bag of Words 字符识别 主要内容 贝叶斯分类器 NB 基本原理 MLE vs. MAP 垃圾邮件分类 Bag of Words 字符识别 贝叶斯分类器 分类问题目标 : 学习预测函数, 使得某个风险函数 ( 表现度量 ) R(f) 在某个学习机器上达到最小 X 概率误差 : 体育娱乐科学
<4D6963726F736F667420576F7264202D20A5C1B6A1B3E0C2A7B2DFAB55A4B6B2D02E646F63>
吳 鳳 技 術 學 院 資 訊 管 理 系 專 科 部 專 題 製 作 網 路 傳 播 個 案 研 究 民 間 喪 禮 習 俗 介 紹 製 作 群 : 林 國 興 A9505020 四 資 四 A 張 維 泰 A9505029 四 資 四 A 黃 韋 凱 A9505043 四 資 四 A 指 導 老 師 : 黃 姮 儀 老 師 中 華 民 國 九 十 八 年 十 一 月 吳 鳳 技 術 學 院 資
信息检索与数据挖掘
信息检索与数据挖掘 2018/4/2 1 信息检索与数据挖掘 第 8 章概率模型 信息检索与数据挖掘 2018/4/2 2 http://www.ibm.com/developerworks/cn/bigdata/ebook/ 书上第 10 章 XML 检索 [ 自学 ] 上世纪 90 年代末, 使用不同的数据管理系统来存储和搜索他们的关键数据 2001 年进入了 XML 时代 分析企业中的非结构化和半结构化数据的时代诞生
信息检索与数据挖掘
信息检索与数据挖掘 2019/3/25 1 信息检索与数据挖掘 第 6 章检索的评价 信息检索与数据挖掘 2019/3/25 2 课程内容 第 1 章绪论 第 2 章布尔检索及倒排索引 第 3 章词典查找及扩展的倒排索引 第 4 章索引构建和索引压缩 第 5 章向量模型及检索系统 第 6 章检索的评价 第 7 章相关反馈和查询扩展 第 8 章概率模型 第 9 章基于语言建模的检索模型 第 10 章文本分类
扬州大学（上）
...1...1...10...21 2004...28 2003...30...32...33...35...36...37...38...38...39...39...39...40...40...41 I ...42...42...43...44...45...47...48...49...50...50...51...51...52...52...53...62...67...75...83...90...95
10384 19020101152519 UDC Rayleigh Quasi-Rayleigh Method for computing eigenvalues of symmetric tensors 2 0 1 3 2 0 1 3 2 0 1 3 2013 , 1. 2. [4], [27].,. [6] E- ; [7], Z-. [15]. Ramara G. kolda [1, 2],
2006..,1..,2.,.,2..,3..,3 22..,4..,4 :..,5..,5 :..,5..,6..,6..,8..,10 :..,12..,1..,6..,6..,2 1907..,5,:..,1 :..,1 :..,1 :..,2..,2..,3 :..,1 :..,1..,1.
2006 2005..,5..,2 20 20..,2..,3..,3..,3..,3..,3..,5..,5 :..,8 1861 :..,11..,12 2005..,2..,1..,2..,1..,4..,6..,6 :..,10..,4..,4..,5..,1 :..,4..,6..,3..,4 1910..,5 :1930..,1..,4..,2 :..,2..,2..,1 19.., 1..,1..,1..,3..,3
二零一零至一一年施政报告 - 施政纲领
二 零 一 零 至 一 一 年 施 政 报 告 施 政 纲 领 总 序 自 金 融 海 啸 爆 发 以 来, 我 们 时 时 刻 刻 密 切 注 视 世 界 经 济 的 变 化, 并 实 行 稳 金 融 撑 企 业 保 就 业 的 策 略 我 们 在 去 年 的 施 政 报 告 及 今 年 的 财 政 预 算 案, 提 出 发 展 六 项 优 势 产 业 及 其 他 有 效 措 施, 以 稳 固 经
附3
普 通 高 等 学 校 本 科 专 业 设 置 申 请 表 ( 备 案 专 业 适 用 ) 080910T 3-6 2 016 7 6 4884878 目 录 填 表 说 明 ⒈ ⒉ ⒊ ⒋ ⒌ 1. 普 通 高 等 学 校 增 设 本 科 专 业 基 本 情 况 表 080910T 3-6 1978 36 ( 1978) ( 2008) 2017 60 120 / S J ⒉ 学 校 基 本 情
untitled
數 Quadratic Equations 數 Contents 錄 : Quadratic Equations Distinction between identities and equations. Linear equation in one unknown 3 ways to solve quadratic equations 3 Equations transformed to quadratic
(1) 64 15 2062 50 8 818 60 41606 63 8305 53 3 11201 38 10 216C 2012815 2012815 2012815 2012815 2012815 201464 200211 20128 20128 20128 20128 20146 4 2
(1) 51 41 49 6 6 7 161 4 27 338 2012815 2012815 2012815 200712 20093 20086 211 (1) 64 15 2062 50 8 818 60 41606 63 8305 53 3 11201 38 10 216C 2012815 2012815 2012815 2012815 2012815 201464 200211 20128
Ps22Pdf
A B C D A B C D A B C D a a b c x x x x x x x x x x x x x x x x x a b c x a x x x x x x x x x x a b a b a b x x x x x x x x x x x x A B C A B C A B A B A x B C x D A B C a b c a b x x x x x x x A B A
硕 士 学 位 论 文 论 文 题 目 : 北 岛 诗 歌 创 作 的 双 重 困 境 专 业 名 称 : 中 国 现 当 代 文 学 研 究 方 向 : 中 国 新 诗 研 究 论 文 作 者 : 奚 荣 荣 指 导 老 师 : 姜 玉 琴 2014 年 12 月
硕 士 学 位 论 文 论 文 题 目 : 北 岛 诗 歌 创 作 的 双 重 困 境 专 业 名 称 : 中 国 现 当 代 文 学 研 究 方 向 : 中 国 新 诗 研 究 论 文 作 者 : 奚 荣 荣 指 导 老 师 : 姜 玉 琴 2014 年 12 月 致 谢 文 学 是 我 们 人 类 宝 贵 的 精 神 财 富 两 年 半 的 硕 士 学 习 让 我 进 一 步 接 近 文 学,
信息检索与数据挖掘
第 10 章文本分类 part1: 文本分类及朴素贝叶斯方法 part2: 基于向量空间的文本分类 part3: 支持向量机及机器学习方法 回顾 : 基于向量空间模型的文本分类的思路 向量空间模型 词项 - 文档矩阵 : 二值 计数 权重矩阵 ( tf-idf 值 ) 相关性 = 向量距离 : 欧氏距离 夹角 余弦相似度 利用向量空间模型进行文本分类的思路主要基于邻近假设 (contiguity hypothesis):
義 守 大 學 100 年 度 學 生 事 務 與 輔 導 工 作 成 效 報 告 表 填 表 日 期 :100 年 5 月 18 日 填 表 人 : 孫 淑 芬 工 作 目 標 2-4: 促 進 適 性 揚 才 與 自 我 實 現 工 作 項 目 編 號 29: 提 升 學 生 職 涯 規 劃 能
3-6 國 考 講 座 成 果 報 告 書 ( 目 錄 ) 項 目 名 稱 PDF 之 頁 數 1 100.05.11 第 一 梯 次 國 家 考 試 講 座 2 2 100.11.16 第 二 梯 次 國 家 考 試 講 座 3 3 101.05.02 第 一 梯 次 國 家 考 試 講 座 4 4 101.10.24 第 二 梯 次 國 家 考 試 講 座 7 5 102.05.29 第 一 梯
Introduction to Hamilton-Jacobi Equations and Periodic Homogenization
Introduction to Hamilton-Jacobi Equations and Periodic Yu-Yu Liu NCKU Math August 22, 2012 Yu-Yu Liu (NCKU Math) H-J equation and August 22, 2012 1 / 15 H-J equations H-J equations A Hamilton-Jacobi equation
清 华 大 学
清 华 大 学 综 合 论 文 训 练 题 目 : 基 于 网 络 用 户 行 为 分 析 的 传 染 病 发 病 趋 势 研 究 系 专 姓 别 : 计 算 机 科 学 与 技 术 业 : 计 算 机 科 学 与 技 术 名 : 许 丹 青 指 导 教 师 : 刘 奕 群 助 理 研 究 员 2010 年 6 月 27 日 中 文 摘 要 近 年 来, 传 染 病 的 传 播 与 流 行 已
【结构化面试名师精品班2ATY15K002】讲义.docx
李 曼 卿 带 大 家 学 面 试 李 曼 卿 } 我 们 党 历 来 高 度 重 视 选 贤 任 能, 始 终 把 选 人 用 人 作 为 关 系 党 和 人 民 事 业 的 关 键 性 根 本 性 问 题 来 抓 好 干 部 要 做 到 信 念 坚 定 为 民 服 务 勤 政 务 实 敢 于 担 当 清 正 廉 洁 2013 年 6 月 28 日, 全 国 组 织 工 作 会 议 第 0 页 目
.... 1....2..3....4...6...7...8..10. 11...14..15...16..17.19
V1.0 2003/08/24 1 .... 1....2..3....4...6...7...8..10. 11...14..15...16..17.19 - 4 4 3 3 3 1 ( ) 3 ( ) 4 4 3 4 7/28~7/31 7/287/297/30 7/314 7/28 7/31 18:00 Web 18:00 2 2 1. ( ) 3/20~3/24 2 ( ) 92 3 92
(i) (ii) Wahtai (US) 39
93.2% 93.6% 94.0% 94.4% 20% 20% 24 38 (i) (ii) Wahtai (US) 39 40 1,978 41 42 AP SAT AP SAT 300 37 18 12 43 SAT 1600 44 1,337.2 781.6 872.8 829.4 796.1 202.9% 238.2% 198.0% 247.0% 45 (i) (ii) (iii) (iv)