Effects of Selected Basic Algorithm Parameters and Data Features on Text Categorization by Support Vector Machines

HUDÍK, Tomáš a Jan ŽIŽKA. Effects of Selected Basic Algorithm Parameters and Data Features on Text Categorization by Support Vector Machines. In Znalosti 2005, sborník příspěvků. 1. vyd. Ostrava: VŠB--Technická univerzita Ostrava, 2005, s. 210-217. ISBN 80-248-0755-6.

Základní údaje

• Originální název: Effects of Selected Basic Algorithm Parameters and Data Features on Text Categorization by Support Vector Machines
• Název česky: Vplyv vybraných základných parametrov a dátových atribútov na textovú kategorizáciu pomocou Support Vector Machines
• Autoři: HUDÍK, Tomáš (703 Slovensko, garant) a Jan ŽIŽKA (203 Česká republika).
• Vydání: 1. vyd. Ostrava, Znalosti 2005, sborník příspěvků, od s. 210-217, 8 s. 2005.
• Nakladatel: VŠB--Technická univerzita Ostrava

Další údaje

• Originální jazyk: angličtina
• Typ výsledku: Stať ve sborníku
• Obor: 10201 Computer sciences, information science, bioinformatics
• Stát vydavatele: Česká republika
• Utajení: není předmětem státního či obchodního tajemství
• Kód RIV: RIV/00216224:14330/05:00013634
• Organizační jednotka: Fakulta informatiky
• ISBN: 80-248-0755-6
• Klíčová slova anglicky: text categorization; support vector machines
• Štítky: Support Vector Machines, text categorization

Anotace

This paper describes results acquired from testing influences of selected important parameters of Support Vector Machines (SVM) applied to text categorization. The main object was to verify whether results obtained with standard, publicly accessible datasets (the traditional Reuters text documents and the 20Newsgroups) could be applied to real medical text documents from various Internet resources utilized by physicians. The research also focused on features as document similarity, balance of categories, presence of common words (stop-words), and data volume. The results of experiments demonstrated that there could be typical problems with setting up parameters for some real data. Especially the medical documents provided worse outcomes because the real-data categories were not well balanced and the documents in different categories were mutually rather similar-i.e., overlapping classes. As a result, SVM could not always find sufficiently good separating hyperplanes as it mostly did for `trouble-free' datasets like Reuters or 20Newsgroups.

Anotace česky

Tento článok popisuje výsledky získané z testovanie vplyvu vybraných dôležitých parametrov Support Vector Machines (SVM) aplikovaných na klasifikáciu textov Hlavným cieľom bolo zistiť, či výsledky získané štandardnými verejne dostupnými dátovými množinami (tradičné Reuters textové dokumenty a 20Newsgroups) môžu byť aplikované na skutočné medicínske texty získané z internetu používané lekármi. Výskum sa toež zameral na vlastnosti ako podobnosť dokumentov, vyváženosť kategórií, prítomnosť bežných slov a množstvo dokumentov. Výsledky testov ukazujú, že môťu nastať problémy s nastavením parametriv pre niektoré prirodzené dáta. Špeciálne medicínske dokumenty dávali zlé výsledky pretože skutočné kategórie neboli dobre vyvážené a dokumnety v rôznych kategóriách sa vzájomne prekrývali. Výsledok - SVM nedokáže vždy nájsť vhodnú deliacu nadrovinu na rozdiel od 'bezproblémových' dátových množín ako Reuters, či 20Newsgroups

Návaznosti

• MSM 143300003, záměr: Název: Interakce člověka s počítačem, dialogové systémy a asistivní technologie

Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, Interakce člověka s počítačem, dialogové systémy a asistivní technologie