基于超参数微调方法优化文本分类中的随机梯度下降——以全球恐怖袭击自动分类为例
信息检索
2019-02-26 v2 机器学习
机器学习
摘要
本研究的目标是提升随机梯度下降（SGD）算法在文本分类中的性能。在我们的研究中，我们提出使用带网格搜索（Grid-Search）方法的SGD学习来微调超参数，以增强SGD分类的性能。我们从全球恐怖主义数据库获得的恐怖袭击事件摘要描述中探索了表示、变换和加权特征的不同设置作为预分类步骤，并通过分层10折交叉验证在支持向量机（SVM）、逻辑回归和感知机分类器上验证SGD学习，以比较嵌入SGD算法中不同分类器的性能。研究得出结论，使用网格搜索寻找超参数优化了SGD分类，不仅在于预分类设置，也在于分类器在准确率和执行时间方面的性能。
引用
@article{arxiv.1902.06542,
title = {Optimizing Stochastic Gradient Descent in Text Classification Based on Fine-Tuning Hyper-Parameters Approach. A Case Study on Automatic Classification of Global Terrorist Attacks},
author = {Shadi Diab},
journal= {arXiv preprint arXiv:1902.06542},
year = {2019}
}
备注
6 pages, 3 figures, 7 tables, Journal Article