scholarly journals A HYBRID SELF ORGANIZING MAP IMPUTATION (SOMI) WITH NAÏVE BAYES FOR IMPUTATION MISSING DATA CLASSIFICATION

2019 ◽  
Vol 17 (62) ◽  
Author(s):  
Bain Khusnul Khotimah
Keyword(s):  
Missing Data ◽  
Naive Bayes ◽  
Data Classification ◽  
Naïve Bayes ◽  
Self Organizing Map ◽  
Self Organizing

NBSOM: The naive Bayes self-organizing map

2011 ◽  
Vol 21 (6) ◽  
pp. 1319-1330 ◽  
Author(s):  
Gonzalo A. Ruz ◽  
Duc Truong Pham
Keyword(s):  
Naive Bayes ◽  
Naïve Bayes ◽  
Self Organizing Map ◽  
Self Organizing

scholarly journals Técnicas de aprendizaje de máquina utilizadas para la minería de texto

2017 ◽  
Vol 31 (71) ◽  
pp. 103
Author(s):  
Ángel Freddy Godoy Viera
Keyword(s):  
Support Vector Machine ◽  
Naive Bayes ◽  
Nearest Neighbors ◽  
Naïve Bayes ◽  
Support Vector ◽  
K Nearest Neighbors ◽  
Self Organizing Maps ◽  
Self Organizing

Las técnicas de aprendizaje de máquina continúan siendo muy utilizadas para la minería de texto. Para este artículo se realizó una revisión de literatura en periódicos científicos publicados en los años de 2010 y 2011, con el objetivo de identificar las principales formas de aprendizaje de máquina empleadas para la minería de texto. Se utilizó estadística descriptiva para organizar, resumir y analizar los datos encontrados, y se presentó una descripción resumida de las principales encontradas. En los artículos analizados se hallaron 13 aplicadas para la minería de texto, el 83% de los artículos mencionaban de 1 a 3 técnicas de aprendizaje de máquina, las principales usadas por los autores en los artículos estudiados fueron support vector machine (svm), k-means (k-m),k-nearest neighbors (k-nn), naive bayes (nb), self-organizing maps (som). Los pares que aparecen con mayor frecuencia son svm/nb, svm/k-nn, svm/decission tree.

Sign in / Sign up

Export Citation Format

Share Document