python - 使用监督机器学习 Python 将推文分类

Question

我有一大堆推文，其中一小部分已被手动分配到主题类别。这些类别用数字 1 到 4 表示，每个数字下面大约有 20 条属于该类别的推文。例如:

Category     Tweets

   1         ...twenty tweets belonging to category one...

   2         ...twenty tweets belonging to category two...

   3         ...twenty tweets belonging to category three...

   4         ...twenty tweets belonging to category four...

我的目标是实现某种机器学习技术，特别是在 Python 中，它将能够将已经分类的推文及其类别作为算法的训练数据，然后利用它所学到的知识来浏览数据集的其余部分，并为每个类别返回大约 100 条它认为大多数属于该类别的推文。

我研究过监督 LDA、标记 LDA 和 K 最近邻等算法，但我无法理解这些算法如何应用于我的任务。如果有人可以将我链接到一些资源，我将不胜感激，因为我一直在为此烦恼!

Answer 1

如果我正确理解您的问题，您有一小部分标记数据，您希望在其中训练算法，然后希望在大量数据上使用经过训练的算法，以获得每个类别的最佳 100 条推文。

如果是这种情况，逻辑回归可能会很有用，因为它对于文本分类非常成功。它还会给你每条推文属于 4 个类别的概率

例如，推文 1 结果将是这样的 [0.4,0.3,0.2,0.1]。这表明推文 1 属于类别 1。但是，您可以将这些概率存储在单独的列表中，然后对它们进行排序以获得前 100 个。

如果你想让它可扩展，我建议使用 pyspark 库，因为你已经熟悉 python。这是一个方便的教程

https://spark.apache.org/docs/latest/ml-classification-regression.html#logistic-regression