《表8 三种模型的总体分类加权F1值对比》
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。
图表编号 | XD00201634300 严禁用于非法目的 |
---|---|
绘制时间 | 2021.03.15 |
作者 | 霍光煜、张勇、孙艳丰、尹宝才 |
绘制单位 | 北京工业大学信息学部多媒体与智能软件技术北京市重点实验室、北京工业大学信息学部多媒体与智能软件技术北京市重点实验室、北京市交通信息中心、北京工业大学信息学部多媒体与智能软件技术北京市重点实验室、北京工业大学信息学部多媒体与智能软件技术北京市重点实验室 |
更多格式 | 高清、无水印(增值服务) |