抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
近年,例外的なクラウドコンピューティング技術の上昇に伴い,複雑な問題を解決するための機械学習手法が大いに加速された。テキスト分類の分野では,機械学習は,明示的にラベル付けせずにタスクを学習し予測する能力を提供する技術であり,機械を学習するために十分なデータが必要であると言われている。しかしながら,より多くのデータは機械学習アルゴリズムにおける過剰適合を引き起こす傾向があり,そして,多くのサンプルが望ましいレベルの性能を達成するために必要な方法を決定する際に,対象基準はない。本論文では,特徴選択法を用いてこの問題を検討した。著者らの実験において,特徴選択は訓練データセットの必要なサイズの最大で66.67%減少できることを証明した。一方,分類器の性能測度としてのカッパ係数は,最大値で11ポイントを増加させることができた。さらに,無関係な特徴を除去する技術としての特徴選択は,過度に過剰適合を防ぐことができることがわかった。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】