This paper proposes a new approach

This paper proposes a new approach for text
categorization, based on a feature projection
technique. In our approach, training data are
represented as the projections of training
documents on each feature. The voting for a
classification is processed on the basis of
individual feature projections. The final
classification of test documents is
determined by a majority voting from the
individual classifications of each feature.
Our empirical results show that the proposed
approach, Text Categorization using Feature
Projections (TCFP), outperforms k-NN,
Rocchio, and Naïve Bayes. Most of all,
TCFP is about one hundred times faster than
k-NN. Since TCFP algorithm is very simple,
its implementation and training process can
be done very easily. For these reasons,
TCFP can be a useful classifier in the areas,
which need a fast and high-performance text
categorization task

Kết quả (Việt) 1:

Bài báo này đề xuất một cách tiếp cận mới cho văn bảnphân loại, dựa trên một tính năng chiếukỹ thuật. Trong cách tiếp cận của chúng tôi, đào tạo dữ liệuđại diện là các hình chiếu của đào tạotài liệu trên mỗi tính năng. Bỏ phiếu cho mộtphân loại được xử lý trên cơ sở củadự tính năng cá nhân. Trận chung kếtphân loại của bài kiểm tra tài liệu làxác định bởi một biểu quyết đa số từ cácphân loại cá nhân của mỗi tính năng.Kết quả thực nghiệm của chúng tôi cho thấy rằng các đề xuấtcách tiếp cận, phân loại văn bản bằng cách sử dụng tính năngHình chiếu (TCFP), nhanh hơn so với k-NN,Rocchio, và ngây thơ Bayes. Hầu hết tất cả,TCFP là khoảng một trăm lần nhanh hơnk-NN. Kể từ khi TCFP thuật toán là rất đơn giản,thực hiện và quá trình đào tạo của nó có thểđược thực hiện rất dễ dàng. Cho những lý do này,TCFP có thể là một loại hữu ích trong các lĩnh vực,mà cần một văn bản nhanh chóng và hiệu suất caophân loại công việc

Kết quả (Việt) 2:

Bài viết này đề xuất một cách tiếp cận mới đối với văn bản
phân loại, dựa trên một chiếu tính năng
kỹ thuật. Trong cách tiếp cận của chúng tôi, dữ liệu huấn luyện được
đại diện là các dự báo về đào
tạo, tài liệu về mỗi tính năng. Việc biểu quyết cho một
phân loại được xử lý trên cơ sở
dự báo tính năng cá nhân. Các thức
phân loại các tài liệu kiểm tra được
xác định bởi một biểu quyết đa số từ các
phân loại riêng biệt của mỗi tính năng.
Kết quả thực nghiệm của chúng tôi cho thấy rằng các đề xuất
cách tiếp cận, Text Phân loại sử dụng tính năng
dự (TCFP), nhanh hơn so với k-NN,
Rocchio, và Naïve Bayes. Hầu hết tất cả,
TCFP là nhanh hơn so với khoảng một trăm lần
k-NN. Vì thuật toán TCFP là rất đơn giản,
quá trình thực hiện và đào tạo của nó có thể
được thực hiện rất dễ dàng. Đối với những lý do này,
TCFP có thể là một phân loại hữu ích trong các lĩnh vực,
trong đó cần có một văn bản nhanh chóng và hiệu suất cao
công tác phân loại