基于XGBoost模型的文本多分类研究

• 作者: 方侠旋
• 来源期刊: 网络安全技术与应用
• 关键词: 文本多分类 TF-IDF 逻辑回归 Na?veBayes XGBoost
• 年，卷（期）: 2020,（6）
• 所属期刊栏目: 安全模型、算法与编程
• 页码范围: 50-52
• 页数: 3页
• 字数: 3697字
• 语种: 中文

摘要

随着文本数据的大量涌现,对文本的分类需求也愈加强烈.然而多数学者都是直接使用查全率、查准率和??值来对文本分类结果进行评测,忽略了模型的拟合情况.本文以包含19个类别的中文分类语料作为数据集,基于两种特征提取方法、三种不同的机器学习算法进行文本分类,并且使用一种多分类对数损失函数来评判模型的拟合效果,进一步对分类结果使用准确率来进行评测.最终结果表明,基于XGBoost模型的模型拟合及分类效果均优于逻辑回归和Na?ve Bayes.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	方侠旋	安徽大学经济学院	1	0	0.0	0.0