Přejít k obsahu


The Use of the Unconstrained Cohort Normalization Technique for Multi-label Classification Score Normalization

Citace:
SKORKOVSKÁ, L. The Use of the Unconstrained Cohort Normalization Technique for Multi-label Classification Score Normalization. In SVK 2014 - magisterské a doktorské studijní programy, sborník rozšířených abstraktů. Plzeň: Západočeská univerzita v Plzni, 2014. s. 99-100. ISBN: 978-80-261-0365-3
Druh: STAŤ VE SBORNÍKU
Jazyk publikace: eng
Anglický název: The Use of the Unconstrained Cohort Normalization Technique for Multi-label Classification Score Normalization
Rok vydání: 2014
Místo konání: Plzeň
Název zdroje: Západočeská univerzita v Plzni
Autoři: Ing. Lucie Skorkovská ,
Abstrakt CZ: Cílem klasifikace textu je roztřídit množinu dokumentů do předem definovaných tématických skupin nebo kategorií. Obvykle v oblasti klasifikace textu uvažujeme pouze klasifikaci do více tříd, kde na rozdíl od binární klasifikace existují více než dvě možné třídy.Nejjednodušším úkolem klasifikace textu je přiřadit jedno téma ke každému dokumentu, ale v úloze identifikace tématu novinového článku je především nezbytné použít multi-label klasifikaci. Popsaná metoda pro nalezení hranice definující hranici mezi "správné" a "nesprávné" téma novinového článku je založena na normalizaci metodou neomezené cohorty (UCN).
Abstrakt EN: The goal of the text classification is to categorize a set of documents into predefined set of topic classes or categories. Usually in the field of text classification we are considering only the multiclass classification, where unlike in the binary classification there is more than two possible classes. The simplest task of the text classification is to assign one topic to each document, but in the task of newspaper article topics identification it is especially essential to use the multi-label classification. Its goal is to find a set of labels belonging to each data item. We are using the generative classifier, where the classifier outputs a distribution of probabilities (or likelihood scores), to tackle this task, but the problem with this approach is that the threshold for the positive classification must be set. This threshold can vary for each document depending on the content of the document (words used, length of the document, ...). The described method for finding a threshold defining the boundary between the "correct'' and the "incorrect'' topics of a newspaper article is based on the Unconstrained Cohort Normalization (UCN) technique used in the speaker identification task.
Klíčová slova

Zpět

Patička