- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我得到的数据主要是推文或小评论(300-400 个字符)。我使用了 Bag-Of-Word 模型并使用了 NaiveBayes 分类。现在我有很多错误分类的案例,属于下面提到的类型:-
1.] He sucked on a lemon early morning to get rid of hangover.
2.] That movie sucked big time.
现在的问题是,在情感分类过程中,两者都因为“sucked”这个词而变得“负面”
Sentiment Classification : 1.] Negative 2.] Negative
同样,在文档分类过程中,由于单词“sucked”的存在,两者都被分类为“电影”。
Document classification : 1.] Movie 2.] Movie
这只是其中一个例子,我面临着大量的错误分类并且不知道如何提高准确性。
最佳答案
(1)朴素贝叶斯对词袋的一个直接可能的改变是生成词袋特征的多项式组合。它可能会解决您上面显示的问题。
"sucked" + "lemon" (positive)
"sucked" + "movie" (negative)
当然,您也可以生成 n-gram 的多项式组合,但特征数量可能太大。
scikit-learn 库为此准备了一个预处理类。
sklearn.preprocessing.PolynomialFeatures ( http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.PolynomialFeatures.html )
从理论上讲,具有多项式核的 SVM 与 PolynomialFeatures + 线性 SVM 的作用相同,但在存储模型信息的方式上略有不同。
根据我的经验,PolynomialFeatures + linear SVM 对于包括情感分析在内的短文本分类表现相当不错。
如果数据集大小不够大,训练数据集可能不包含“sucked”+“lemon”。在这种情况下,奇异值分解(SVD)等降维和潜在狄利克雷分配(LDA)等主题模型是词语义聚类的合适工具。
(2)另一个方向是利用更复杂的自然语言处理 (NLP) 技术从短文本中提取额外信息。例如,词性 (POS) 标记、命名实体识别 (NER) 将提供比普通 BoW 更多的信息。一个名为 Natural Language Toolkit (NLTK) 的 NLP python 库实现了这些功能。
(3)您也可以采取缓慢但稳定的方式。分析当前模型的预测误差以设计新的手工特征是提高模型准确性的有前途的方法。
有一个用于短文本分类的库叫做LibShortText,它还包含错误分析功能和TF-IDF加权等预处理功能。它可能会帮助您了解如何通过错误分析改进模型。
LibShortText ( https://www.csie.ntu.edu.tw/~cjlin/libshorttext/)
(4)有关更多信息,请查看有关推文情感分析的文献,这将为您提供更高级的信息。
关于python - 如何改进小文本的分类,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/34513634/
我正在尝试使用 Pandas 和 scikit-learn 在 Python 中执行分类。我的数据集包含文本变量、数值变量和分类变量的混合。 假设我的数据集如下所示: Project Cost
我想要一种图形化且有吸引力的方式来表示二进制数据的列总和,而不是表格格式。我似乎无法让它发挥作用,尽管有人会认为这将是一次上篮。 数据看起来像这样(我尝试创建一个可重现的示例,但无法让代码填充 0 和
我有一个简单的类别模型: class Category(models.Model): name = models.CharField(max_length=200) slug = mo
我正在开发一个知识系统,当用户进入一道菜时,该系统可以返回酒。我的想法是根据用户的输入为每个葡萄酒类别添加分数,然后显示最适合的葡萄酒类别的前 3 个。例如,如果有人输入鱼,那么知识库中的所有红葡萄酒
我目前正在研究流失问题的预测模型。 每当我尝试运行以下模型时,都会收到此错误:至少一个类级别不是有效的 R 变量名称。这将在生成类概率时导致错误,因为变量名称将转换为 X0、X1。请使用可用作有效 R
如何对栅格重新分类(子集)r1 (与 r2 具有相同的尺寸和范围)基于 r2 中的以下条件在给定的示例中。 条件: 如果网格单元格值为 r2是 >0.5 ,保留>0.5中对应的值以及紧邻0.5个值的相
我想知道在 java 中进行以下分类的最佳方法是什么。例如,我们有一个简单的应用程序,其分类如下: 空气 -----电机类型 -----------平面对象 -----非电机型 -----------
这是一个非常基本的示例。但我正在做一些数据分析,并且不断发现自己编写非常类似的 SQL 计数查询来生成概率表。 我的表被定义为值 0 表示事件未发生,而值 1 表示事件确实发生。 > sqldf(
假设我有一组护照图像。我正在开展一个项目,我必须识别每本护照上的姓名,并最终将该对象转换为文本。 对于标签(或分类(我认为是初学者))的第一部分,每本护照上都有姓名,我该怎么做? 我可以使用哪些技术/
我有这张图片: 我想做的是在花和树之间对这张图片进行分类,这样我就可以找到图片中被树木覆盖的区域,以及被那些花覆盖的区域。 我在想这可能是某种 FFT 问题,但我不确定它是如何工作的。单个花的 FFT
我的数据集有 32 个分类变量和一个数值连续变量(sales_volume) 首先,我使用单热编码 (pd.get_dummies) 将分类变量转换为二进制,现在我有 1294 列,因为每一列都有多个
我正在尝试学习一些神经网络来获得乐趣。我决定尝试从 kaggle 的数据集中对一些神奇宝贝传奇卡进行分类。我阅读了文档并遵循了机器学习掌握指南,同时阅读了媒体以尝试理解该过程。 我的问题/疑问:我尝试
我目前正在进行推文情绪分析,并且有几个关于步骤的正确顺序的问题。请假设数据已经过相应的预处理和准备。所以这就是我将如何进行: 使用 train_test_split(80:20 比例)停止测试数据集。
一些上下文:Working with text classification and big sparse matrices in R 我一直在研究 text2vec 的文本多类分类问题。包装和 ca
数据 我有以下(简化的)数据集,我们称之为 df从现在开始: species rank value 1
我一直在尝试创建一个 RNN。我总共有一个包含 1661 个单独“条目”的数据集,每个条目中有 158 个时间序列坐标。 以下是一个条目的一小部分: 0.00000000e+00 1.9260968
我有一个关于机器学习的分类和回归问题。第一个问题,以下数据集 http://it.tinypic.com/view.php?pic=oh3gj7&s=8#.VIjhRDGG_lF 我们可以说,数据集是
我用1~200个数据作为训练数据,201~220个作为测试数据格式如下:3 个类(类 1、类 2、类 3)和 20 个特征 2 1:100 2:96 3:88 4:94 5:96 6:94 7:72
我有 2 个基于多个数字特征(例如 v1….v20)的输出类别(好和差)。 如果 v1、v2、v3 和 v4 为“高”,则该类别为“差”。如果 v1、v2、v3 和 v4 为“低”,则该类别为“好”
我遇到了使用朴素贝叶斯将文档分类为各种类别问题的问题。 实际上我想知道 P(C) 或我们最初掌握的类别的先验概率会随着时间的推移而不断变化。例如,对于类(class) - [音乐、体育、新闻] 初始概
我是一名优秀的程序员,十分优秀!