- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我正在使用 Mahout 实现一个文本分类系统。我读过停用词删除和词干提取有助于提高文本分类的准确性。就我而言,删除停用词可以提高准确性,但词干提取并没有多大帮助。我发现应用词干分析器后准确率下降了 3-5%。我尝试使用波特词干和 k-词干,但在这两种情况下都得到几乎相同的结果。
我正在使用朴素贝叶斯算法进行分类。
提前非常感谢任何帮助。
最佳答案
首先,您需要了解为什么词干通常可以提高准确性。想象一下训练集中的以下句子:
He played below-average football in 2013, but was viewed as an ascending player before that and can play guard or center.
以及测试集中的以下内容:
We’re looking at a number of players, including Mark
第一句包含许多与体育相关的单词,包括单词“运动员”。测试集中的第二句话也提到了玩家,但是,哦,它是复数形式 - “玩家”,而不是“玩家” - 所以对于分类器来说,它是一个独特的、不相关的变量。
词干尝试截取单词的确切形式等细节,并生成单词库作为分类特征。在上面的示例中,词干提取可以将两个单词缩短为“player”(甚至“play”)并将它们用作相同的特征,从而有更多机会将第二个句子分类为属于“sports”类别。
然而,有时这些细节本身就发挥着重要作用。例如,短语“今天运行”可能指运行者,而“长时间运行”可能指手机电池生命周期。在这种情况下,词干提取会使分类变得更糟,而不是更好。
您在这里可以做的是使用附加功能来帮助区分相同单词/词干的不同含义。两种流行的方法是 n-grams (例如二元组,由单词对而不是单个单词组成的特征)和 part-of-speech (POS) 标签。您可以尝试它们的任意组合,例如词干 + 词干的双字母组,或单词 + 单词的双字母组,或词干 + POS 标签,或词干、双字母组和 POS 标签等。
此外,尝试其他算法。例如。 SVM使用与朴素贝叶斯非常不同的方法,因此它可以捕获 NB 忽略的数据中的内容。
关于machine-learning - 文本分类中的词干提取 - 降低准确性?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/22603332/
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!