《表8 三种模型的总体分类加权F1值对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于语义的档案数据智能分类方法研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

由表7可知，在5个类别的分类验证实验中，基于Fast Text的文本分类模型分别在C19-Computer、C32-Agriculture、C34-Economy、C38-Politics、C39-Sports上的分类F1值分别达到了1.00、0.95、0.94、0.95、0.97。从表8可以看出，朴素贝叶斯分类器的加权F1值是0.95，SVM分类器的F1值是0.73，基于Fast Text的文本分类模型在加权F1值、加权平均精准率、加权平均召回率这三项总体类别评价指标中远远优于基于SVM模型的文本分类器，比基于朴素贝叶斯的文本分类模型有1%左右的提高，而且总体评价F1值已经达到了0.96，基本达到了代替手工分类的级别。