.png){kind=icon}
返回
Two novel feature selection methods for imbalanced text classification
.png){kind=icon}
PRE
AI
DOI：10.1007/s11042-026-21273-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
文本数据在类别上的分布通常是不平衡的。这种情况对文本分类过程中的分类器性能产生负面影响。在文献中，许多研究已经针对不平衡文本分类进行了探讨，并且它仍然是一个热门的研究领域。特征选择阶段，作为文本分类过程中的一个关键阶段，在不平衡文本分类问题中也是至关重要的。针对不平衡文本分类，提出了两种新的特征选择方法（EFS_IMP1和EFS_IMP2）。这些方法源自一种称为广泛特征选择器（EFS）的近期特征选择方法。EFS_IMP1和EFS_IMP2方法的性能与基于过滤的特征选择方法（包括GSS、Class-Index Corpus-Index度量、最大-最小比率、综合度量特征选择、区分性和语义特征选择、广泛特征选择器方法）进行了比较。使用了三个基准不平衡文本数据集，并采用支持向量机（SVM）、决策树（DT）、随机森林（RF）和k近邻（kNN）分类器。实验结果表明，在Enron1数据集上使用RF分类器时，EFS_IMP2获得94.441；在Spam SMS数据集上使用SVM分类器时，EFS_IMP1获得95.376；在Reuters 21578 TOP8 MM数据集上使用RF分类器时，EFS_IMP1获得99.695，这些是最高的宏观-F1分数。因此，根据宏观-F1，EFS_IMP1和EFS_IMP2在不平衡文本分类中提供了优于或相当于其他特征选择方法的性能。
Keyword:
Imbalanced text classification
Dimension reduction
Feature selection
Term selection
期刊
IF:
3
论文数:
2.0W
被引数:
3.2W
机构
引用论文
分享收藏分享收藏An ensemble deep learning model for author identification through multiple features基于多特征的作者识别集成深度学习模型.png)
Scientific Reports
OAAI
Scientific ReportsIF3.9
OAAI分享收藏
查看更多内容