🔍 문서 분류 : Vector space classification

(사전에 필요한 것)
training set
문서들마다 어떤 클래스에 속하는지 라벨링을 해준다.

🔍 Vector space classification

새로운 문서가 어떤 클래스(vector space)에 속하는지 분류하는 것

구분선을 찾아야한다!

✔ 방법 1. Rocchio 알고리즘

• Relevance feedback을 이용한다.

• ※ text-classification과 relavance feedback 차이

  • text-classification은 training set이 먼저 주어진다.
  • relavance feedback은 결과에 대해 사용자가 다시 체크한다.

• 기본 아이디어 : 각 클래스의 centroid를 구한다. 그리고 제일 가까운 centroid의 클래스로 분류한다.

  • centroid : 클래스의 모든 vector 값을 더하고 클래스의 전체 문서 갯수로 나눈다.
  • seperator : 서로 다른 클래스의 centroid에서 같은 거리인 부분을 선으로 긋기

• ※ Rocchio과 Naive Bayes 차이

  • Rocchio는 거리 기반이고, Naive Bayes는 확률 기반이다.
  • Rocchio는 multimodal(군집이 여러개)일 때는 잘 작동하지 못한다.
    • 이유 : multimodal 일 경우, centroid가 의미 없는 곳에 생기기 때문에 문서 분류의 정확도가 떨어질 수 있다.

✔ 방법 2. kNN 알고리즘 (k nearest neighbors)

• 가장 가까운 k개의 이웃의 class를 보고 classification을 결정

• k개에서 가장 많이 나온 class로 결정한다.

• Rocchio와 Naive Bayes보다 정확도가 좋다. 하지만 분류시 시간이 오래걸려서 잘 안쓰인다.

• Probabilistic kNN : 확률로 표현