TY - Jour A2 - Chen，Shyi-Ming Au - Ghosh，Monalisa Au - Sanyal，Goutam Py - 2018 DA - 2018/10/01 TI - 基于集合特征选择方案的多分类器的性能评估SP - 8909357 VL- 2018年AB - 情绪分类或情绪分析已被确认为开放式研究领域。近年来，通过应用各种方法来在这些领域进行巨大的研究工作。由于高维特征集可能会影响情绪分析的性能，因此特征生成和选择是对文本挖掘的影响。本文调查了广泛使用的特征选择方法（IG，Chi-Square和Gini指数）与Unigram和Bigram特征在四台机器学习分类算法（MNB，SVM，KNN和ME）上设置的无能或无能。所提出的方法是在三个标准数据集的基础上进行评估，即IMDB电影审查和电子和厨房产品审查数据集。 最初，通过施加n-gram方法提取Unigram和Bigram特征。此外，我们生成复合特征向量compulubi（Unigram + bigram），它被发送到特征选择方法信息增益（Ig），Gini索引（Gi）和Chi-Square（Chi）以获得最佳特征子集为每个功能分配分数。这些方法根据其分数为特征提供排名;因此，可以容易地生成突出的特征向量（Compig，Compgi和Copchi）以进行分类。最后，机器学习分类器SVM，MNB，KNN和ME使用了突出的特征向量，用于将审查文档分类为正或负面。通过评估方法（例如精度，召回和F测量）等评估算法的性能。实验结果表明，复合特征向量实现的性能比UNIGRAM特征更好，这是令人鼓舞的，也可以与相关的研究相媲美。在最高精度方面，从信息增益的组合获得了最佳结果。SN - 1687-9724 UR - https://doi.org/10.1155/2018/8909357 Do - 10.1155/2018 / 8909357 JF - 应用计算智能和软计算PB - Hindawi KW - ER -