The maximum-margin approach to learning text classifiers: methods theory, and algorithms

dc.contributor.author	Joachims, Thorsten
dc.contributor.editor	Wagner, Dorothea
dc.date.accessioned	2017-09-22T20:41:12Z
dc.date.available	2017-09-22T20:41:12Z
dc.date.issued	2003
dc.description.abstract	Diese Dissertation entwickelt und erforscht einen neuen Ansatz zum Lernen von Textklassifikationsregeln aus Beispielen. Der Ansatz stützt sich auf die Einsicht, dass bei der Textklassifikation nicht die Anzahl der Attribute die Schwierigkeit einer Lernaufgabe bestimmt, sondern dass dimensionsunahängige Komplexitätsmaße notwendig sind. Die Dissertation zeigt den Zusammenhang dieser Maße mit den statistischen Eigenschaften von Text, deren Umsetzung in effektiven und praktikablen Methoden zur Textklassifikation und ihre Implementierung in effizienten Algorithmen.
dc.identifier.isbn	978-3-88579-406-3
dc.identifier.pissn	1617-5468
dc.identifier.uri	https://dl.gi.de/handle/20.500.12116/4447
dc.language.iso	de
dc.publisher	Gesellschaft für Informatik
dc.relation.ispartof	Ausgezeichnete Informatikdissertationen 2001
dc.relation.ispartofseries	Lecture Notes in Informatics (LNI) - Dissertations, Volume D-2
dc.title	The maximum-margin approach to learning text classifiers: methods theory, and algorithms	de
gi.citation.endPage	70
gi.citation.publisherPlace	Bonn
gi.citation.startPage	61

Dateien

1 - 1 von 1