tex-projects/LaTeX-examples
2
0
Fork 0
mirror of https://github.com/MartinThoma/LaTeX-examples.git synced 2025-04-26 06:48:04 +02:00
Code Activity

Fix typo in documents/Proseminar-Netzwerkanalyse

Browse source
This commit is contained in:
Martin Thoma 2015-11-23 14:19:36 +01:00
parent 87020467c7
commit 9438adee4e
2 changed files with 5 additions and 5 deletions
Download patch file Download diff file Expand all files Collapse all files

BIN
documents/Proseminar-Netzwerkanalyse/Ausarbeitung-Thoma.pdf
View file

Binary file not shown.

10
documents/Proseminar-Netzwerkanalyse/Vokabularbestimmung.tex
View file

@ -6,11 +6,11 @@ die in fast allen Texten vorkommen, wie im Deutschen z.~B.
\enquote{und}, \enquote{mit} und die Pronomen. Es ist wünschenswert Wörter zu \enquote{und}, \enquote{mit} und die Pronomen. Es ist wünschenswert Wörter zu
wählen, die die Texte möglichst stark voneinander Unterscheiden. Der wählen, die die Texte möglichst stark voneinander Unterscheiden. Der
DYCOS-Algorithmus wählt die Top-$m$ dieser Wörter als Vokabular, wobei DYCOS-Algorithmus wählt die Top-$m$ dieser Wörter als Vokabular, wobei
$m \in \mathbb{N}$ eine Festzulegende Konstante ist. In \cite[S. 365]{aggarwal2011} $m \in \mathbb{N}$ eine festzulegende Konstante ist. In \cite[S. 365]{aggarwal2011}
wird der Einfluss von $m \in \Set{5,10, 15,20}$ auf die Klassifikationsgüte wird der Einfluss von $m \in \Set{5,10, 15,20}$ auf die Klassifikationsgüte
untersucht und festgestellt, dass die Klassifikationsgüte mit größerem $m$ untersucht und festgestellt, dass die Klassifikationsgüte mit größerem $m$
sinkt, sie also für $m=5$ für den DBLP-Datensatz am höchsten ist. Für den CORA- sinkt, sie also für $m=5$ für den DBLP-Datensatz am höchsten ist. Für den
Datensatz wurde mit $m \in \set{3,4,5,6}$ getestet und kein signifikanter CORA-Datensatz wurde mit $m \in \set{3,4,5,6}$ getestet und kein signifikanter
Unterschied festgestellt. Unterschied festgestellt.
Nun kann man manuell eine Liste von zu beachtenden Wörtern erstellen Nun kann man manuell eine Liste von zu beachtenden Wörtern erstellen
@ -42,8 +42,8 @@ Datenstruktur wird in \cref{alg4:l10} bis \ref{alg4:l12} gefüllt.
In \cref{alg4:l17} bis \ref{alg4:l19} wird die relative Häufigkeit der Wörter In \cref{alg4:l17} bis \ref{alg4:l19} wird die relative Häufigkeit der Wörter
bzgl. der Beschriftungen bestimmt. Daraus wird in \cref{alg4:l20} bis bzgl. der Beschriftungen bestimmt. Daraus wird in \cref{alg4:l20} bis
\ref{alg4:l22} der Gini-Koeffizient berechnet. Schließlich werden in \ref{alg4:l22} der Gini-Koeffizient berechnet. Schließlich werden in
\cref{alg4:l23} bis \ref{alg4:l24} die Top-$q$ Wörter mit den höchsten Gini- \cref{alg4:l23} bis \ref{alg4:l24} die Top-$q$ Wörter mit den
Koeffizienten zurückgegeben. höchsten Gini-Koeffizienten zurückgegeben.
\begin{algorithm}[ht] \begin{algorithm}[ht]
\begin{algorithmic}[1] \begin{algorithmic}[1]