Usporedba metoda za klasifikaciju tekstualnih dokumenata

undergraduate thesis

• Title (english): Comparison of Text Classification Methods
• Author: Renato Bošnjak
• Mentor: Krešimir Pripužić (mentor)
• Committee member: Krešimir Pripužić (predsjednik povjerenstva)
• Committee member: Marko Pavelić (član povjerenstva)
• Committee member: Denis Salopek (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2017-07-10, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Electrical Engineering

Abstract

Zbog postojanja vrlo velike količine tekstualnih dokumenata potrebno ih je, radi brže, jeftinije i lakše obrade, organizirati, odnosno podijeliti prema zajedničkim svojstvima na zadane klase. Takav postupak nazivamo klasifikacija koja je, osim na tekstualne dokumente, primjenjiva i na druge vrste podataka.
S obzirom na svojstva podataka koje organiziramo, potrebno je odabrati onu metodu klasifikacije koja će najbolje odrediti pripadnost klasi. Odluka se temelji na teorijskim saznanjima o pojedinim metodama i usporedbi dobivenih rezultata. Moguće je da iste metode, primijenjene na različite skupove podataka, rezultiraju vrlo različitom točnosti određivanja klasa. U radu su opisana dva klasifikatora koji pripadaju različitim vrstama strojnog učenja. To su klasifikator najbližih susjeda i naivni Bayesov klasifikator.
Za primjenu klasifikacije moguće je koristiti Apache Lucene, programsku knjižnicu otvorenog koda.

Abstract (english)

In order to efficiently process large number of textual documents it is necessary to organize them by assigning a class for each document. Because of that we use classification methods which can be applied to other types of data as well.
Considering the properties of documents set, it is necessary to use a classification method which will result with the best classification result. The decision has to be made based on theoretical knowledge and regarding the given set of documents because the quality of the same method can vary regarding the properties of given set of documents. Two classification methods with different properties are described in this thesis. These are \textit{k}-Nearest Neighbor classification and Naive Bayes classifier.
Apache Lucene, an open source information retrieval library, can be used for implementing text classification.

• Keywords: klasifikacija teksta; klasifikator najbližih susjeda; naivni Bayesov klasifikator; Apache Lucene
• Keywords (english): text classification; k-nearest neighbors classification; naive Bayes classifier; Apache Lucene
• Language: croatian
• URN:NBN: urn:nbn:hr:168:169302
• Study programme: Title: Computing; Study programme type: university; Study level: undergraduate; Academic / professional title: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2019-03-13 19:14:59