معصومه علی نژاد - دانشجوی کارشناسی ارشد،گروه کامپیوتر، دانشگاه آزاد اسلامی واحد علوم و تحقیقات خوزستان، اهواز، ایران.
ایمان عطارزاده - استادیار و عضو هیئت علمی، گروه کامپیوتر، دانشگاه آزاد اسلامی واحد دزفول، دزفول، ایران
ابراهیم بهروزیان نژاد - استادیار و عضو هیئت علمی، گروه کامپیوتر، دانشگاه آزاد اسلامی واحد شوشتر، شوشتر، ایران

در این مقاله سه دسته بند ماشین بردار پشتیبان، درخت تصمیم و بیز ساده در مرحله ی یادگیری مورد استفاده قرار گرفته اند وکارایی آنها با استفاده از معیار های دسته بندی متن شامل دقت، فراخوانی، F-Measure، درستی و خطای دسته بندی مورد مقایسه قرار گرفته است. ارزیابی انجام شده بر روی مجموعه داده های اخبار رویترز_21578 بوده و نتایج حاصل از دسته بندی توسط این الگوریتم ها نشان دهنده ی بهینه تر بودن معیار های ارزیابی توسط دسته بند SVM نسبت به J48 و Naive Bayes بوده است.

متن کاوی، کاوش متن، داده کاوی، یادگیری ماشین، استخراج دانش