面向非平衡文本情感分类的TSF特征选择方法

非平衡数据中样本数量的不平衡分布往往伴随着特征分布的不平衡,在多数类文本中经常出现的特征,在少数类中却很少出现。针对非平衡数据特征分布的特点,提出了一种新的双边fisher特征选择算法TSF。该方法通过显式地组合正相关和负相关特征,缓解了特征层面的非平衡性,较好地表示了文本的信息。TSF方法在图书评论和COAE2014微博非平衡数据上进行实验,结果验证了该方法是可行的。

混合语音段特征双边式优选算法用于帕金森病分类研究

近年来,已有研究证明基于语音数据可实现帕金森病(PD)的诊断,但是目前相关研究主要集中在特征提取及分类器设计等方面,对于样本优选方面考虑不足。本课题组前期研究结果表明,样本优选可有效改进分类准确性,但是样本和语音的相关关系至今还未能深入研究。因此,本文提出了基于相关特征加权和多核学习算法,同时对语音段和特征进行优选,用于发现语音段和特征的协同效应,从而达到提升PD分类准确性的目的。实验结果表明,本文算法针对受试者的分类准确率达到了82.5%,较已有文献算法提高了30.5%。此外,本文算法还挖掘出了语音段和特征的协同效应,对语音标记物提取有一定参考价值。