machine-learning - 机器学习 - 巨大的正文本数据集

Question

我有一个数据集，其中包含属于某个主题的数千个句子。我想知道什么是最好的创建一个分类器，根据他们是否谈论该主题来预测文本为“真”或“假”。

我一直在使用包含 Weka(基本分类器)和 Tensorflow(神经网络方法)的解决方案。

我使用字符串到词向量来预处理数据。

由于没有负样本，我只处理一个类。我尝试过一类分类器(Weka 中的 libSVM)，但误报数量如此之高，我无法使用它。

我也尝试添加负样本，但是当要预测的文本不属于负空间时，我尝试过的分类器(NB、CNN...)倾向于将其预测为误报。我猜这是因为阳性样本数量太多

如有必要，我愿意放弃机器学习作为预测新传入数据的工具

感谢您的帮助

Answer 1

我最终添加了负类的数据，并构建了一个多线朴素贝叶斯分类器，它按预期完成了工作。

(添加的数据大小约为一百万个样本:))