Given a training corpus , for each

Given a training corpus , for each unique term we computed the information gain , and removed from the feature space those terms whose information gain was less than some predetermined threshold . The computation includes the estimation of the conditional probabilities of a category given a term , and the entropy computations in the definition . The probabilit y estimation has a time complexity of O ( N ) and a space complexity of O ( V N ) where N is the number of training documents , and V is the vocabulary size . The entropy computations has a time complexity of O ( V m ).

Kết quả (Việt) 1:

Đưa ra một corpus đào tạo, cho mỗi cụm từ duy nhất chúng tôi tính toán độ lợi thông tin, và gỡ bỏ từ không gian tính năng những thời hạn thông tin mà đạt được là ít hơn một số ngưỡng xác định trước. Tính toán bao gồm ước tính của các xác suất có điều kiện của một thể loại cho một thuật ngữ, và tính toán dữ liệu ngẫu nhiên trong định nghĩa. Dự toán y probabilit có một thời gian phức tạp của O (N) và một phức tạp space của O (V N) nơi N là một số tài liệu đào tạo, và V là kích thước từ vựng. Tính toán dữ liệu ngẫu nhiên có một thời gian phức tạp của O (V m).

Kết quả (Việt) 2:

Cho một corpus đào tạo, với từng kỳ hạn duy nhất chúng tôi tính toán đạt thông tin, và loại bỏ khỏi không gian đặc trưng những điều khoản có lợi thông tin là ít hơn so với một số ngưỡng định trước. Việc tính toán bao gồm việc ước tính các xác suất có điều kiện của một thể loại nhất định có thời hạn, và các tính toán entropy trong định nghĩa. Việc lập dự toán probabilit y có độ phức tạp thời gian O (N) và một không gian phức tạp của O (VN) trong đó N là số lượng tài liệu đào tạo, và V là kích thước từ vựng. Các tính toán entropy có độ phức tạp thời gian O (V m).