De nouvelles pondérations adaptées à la classification de petits volumes de données textuelles - LIRMM - Laboratoire d’Informatique, de Robotique et de Microélectronique de Montpellier Access content directly
Conference Papers Year : 2014

De nouvelles pondérations adaptées à la classification de petits volumes de données textuelles

Abstract

Un des défis actuels dans le domaine de la classification supervisée de documents est de pouvoir produire un modèle fiable à partir d'un faible volume de données. Avec un volume conséquent de données, les classifieurs fournissent des résultats satisfaisants mais les performances sont dégradées lorsque celui-ci diminue. Nous proposons, dans cet article, de nouvelles méthodes de pondérations résistant à une diminution du volume de données. Leur efficacité, évaluée en utilisant des algorithmes de classification supervisés existants (Naive Bayes et Class-Feature-Centroid) sur deux corpus différents, est supérieure à celle des autres algorithmes lorsque le nombre de descripteurs diminue. Nous avons étudié en parallèle les paramètres influençant les différentes approches telles que le nombre de classes, de documents ou de descripteurs.
Fichier principal
Vignette du fichier
lirmm-01054903.pdf (249.16 Ko) Télécharger le fichier
Origin : Files produced by the author(s)
Loading...

Dates and versions

lirmm-01054903 , version 1 (06-11-2018)

Identifiers

  • HAL Id : lirmm-01054903 , version 1

Cite

Flavien Bouillot, Pascal Poncelet, Mathieu Roche. De nouvelles pondérations adaptées à la classification de petits volumes de données textuelles. EGC: Extraction et Gestion des Connaissances, Jan 2014, Rennes, France. pp.131-142. ⟨lirmm-01054903⟩
227 View
59 Download

Share

Gmail Facebook X LinkedIn More