Aprendizaje automático aplicado

Vijayaragavan P

ISBN 10: 6208796733 / ISBN 13: 9786208796730

Editore: Ediciones Nuestro Conocimiento Mär 2025, 2025

Riguardo questo articolo

This item is printed on demand - Print on Demand Titel. Neuware -Este estudio presenta un modelo híbrido que aprovecha los puntos fuertes de la agrupación K-means y las máquinas de vectores de soporte (SVM) para clasificar las reseñas de productos en línea. K-means se utiliza para agrupar las reseñas en clusters, reduciendo la complejidad de los datos y mejorando la extracción de características. Posteriormente, se emplea SVM para clasificar los datos agrupados en sentimientos positivos, negativos o neutros. El enfoque combinado mejora la precisión de la clasificación, reduce el coste computacional y gestiona eficazmente grandes conjuntos de datos. Los resultados experimentales demuestran que el modelo propuesto supera a los clasificadores independientes tradicionales en términos de precisión, recuperación y exactitud general.VDM Verlag, Dudweiler Landstraße 99, 66123 Saarbrücken 204 pp. Spanisch.

Codice articolo 9786208796730

Dati bibliografici

• Titolo: Aprendizaje automático aplicado
• Editore: Ediciones Nuestro Conocimiento Mär 2025
• Data di pubblicazione: 2025
• Lingua: Spagnolo
• ISBN 10: 6208796733
• ISBN 13: 9786208796730
• Rilegatura: Taschenbuch
• Condizione: Neu
• Dimensioni: 220 L x 150 A x 13 P (millimetri) 220 millimetri di larghezza per 150 millimetri di altezza per 13 millimetri di profondità
• Peso: 322 grammi

Descrizione articolo

Riassunto

Este estudio presenta un modelo híbrido que aprovecha los puntos fuertes de la agrupación K-means y las máquinas de vectores de soporte (SVM) para clasificar las reseñas de productos en línea. K-means se utiliza para agrupar las reseñas en clusters, reduciendo la complejidad de los datos y mejorando la extracción de características. Posteriormente, se emplea SVM para clasificar los datos agrupados en sentimientos positivos, negativos o neutros. El enfoque combinado mejora la precisión de la clasificación, reduce el coste computacional y gestiona eficazmente grandes conjuntos de datos. Los resultados experimentales demuestran que el modelo propuesto supera a los clasificadores independientes tradicionales en términos de precisión, recuperación y exactitud general.