Wyszukiwarka
Abstrakt
This paper discusses the possibility of designing a two stage classifier for large-scale hierarchical and multilabel text classification task, that will be a compromise between two common approaches to this task. First of it is called big-bang, where there is only one classifier that aims to do all the job at once. Top-down approach is the second popular option, in which at each node of categories’ hierarchy, there is a flat classifier that makes a local classification between categories that are immediate descendants of that node. The article focuses on evaluating the performance of a k-NN algorithm at different levels of categories’ hierarchy, aiming to test, whether it will be profitable to make a semi-big-bang step (restricted to a specified level of the hierarchy), followed by a middle-down more detailed classification. Presented empirical experiments are done on Simple English Wikipedia dataset.
Cytuj jako
Pełna treść
pełna treść publikacji nie jest dostępna w portalu
Słowa kluczowe
Informacje szczegółowe
- Kategoria:
- Aktywność konferencyjna
- Typ:
- publikacja w wydawnictwie zbiorowym recenzowanym (także w materiałach konferencyjnych)
- Tytuł wydania:
- Advances in Neural Networks, Fuzzy Systems and Artificial Intelligence strony 88 - 94
- Język:
- angielski
- Rok wydania:
- 2014
- Opis bibliograficzny:
- Draszawka K., Szymański J.: How Specific Can We Be with k-NN Classifier?// Advances in Neural Networks, Fuzzy Systems and Artificial Intelligence/ ed. Balicki Jerzy : WSEAS Press, 2014, s.88-94
- Weryfikacja:
- Politechnika Gdańska
wyświetlono 121 razy
Publikacje, które mogą cię zainteresować
Improving the Survivability of Carrier Networks to Large-Scale Disasters
- A. de Sousa,
- J. Rak,
- F. Barbosa
- + 2 autorów
Segmentation-Based BI-RADS ensemble classification of breast tumours in ultrasound images
- M. Bobowicz,
- M. Badocha,
- K. Gwozdziewicz
- + 4 autorów