Andere Kunden interessierten sich auch für
![Cadre de clustering flou automatique pour la segmentation d'images]( "Cadre de clustering flou automatique pour la segmentation d'images")
Cadre de clustering flou automatique pour la segmentation d'images28,99 €![RECONNAISSANCE SÉMANTIQUE AUTOMATIQUE DES VISAGES]( "RECONNAISSANCE SÉMANTIQUE AUTOMATIQUE DES VISAGES")
RECONNAISSANCE SÉMANTIQUE AUTOMATIQUE DES VISAGES28,99 €![Applied Machine Learning]( "Applied Machine Learning")
Applied Machine Learning52,99 €![Angewandtes maschinelles Lernen]( "Angewandtes maschinelles Lernen")
Angewandtes maschinelles Lernen79,90 €![Apprendimento automatico applicato]( "Apprendimento automatico applicato")
Apprendimento automatico applicato51,99 €![Un approccio di data mining alla scoperta della conoscenza]( "Un approccio di data mining alla scoperta della conoscenza")
Un approccio di data mining alla scoperta della conoscenza28,99 €![Ein Data-Mining-Ansatz zur Wissensentdeckung]( "Ein Data-Mining-Ansatz zur Wissensentdeckung")
Ein Data-Mining-Ansatz zur Wissensentdeckung43,90 €
Cette étude présente un modèle hybride qui exploite les forces du regroupement K-means et des machines à vecteurs de support (SVM) pour classer les critiques de produits en ligne. K-means est utilisé pour regrouper les avis en grappes, ce qui réduit la complexité des données et améliore l'extraction des caractéristiques. Ensuite, les SVM sont utilisés pour classer les données regroupées en sentiments positifs, négatifs ou neutres. L'approche combinée améliore la précision de la classification, réduit les coûts de calcul et traite efficacement les grands ensembles de données. Les résultats expérimentaux démontrent que le modèle proposé est plus performant que les classificateurs traditionnels autonomes en termes de précision, de rappel et de précision globale.