当预定义的类别不可用时如何对文本进行分类

Question

我有一个问题，不知道该应用哪种算法。我正在考虑在第二种情况下应用集群，但不知道第一种情况：

我有.5百万张信用卡活动文档。每个文档都定义良好，每行包含一个事务。日期、金额、零售商名称以及零售商的简短描述( 5-20个单词)。样本: 2004-11-47，$500，亚马逊，一家提供商品和服务的在线零售商，包括书籍，硬件，音乐等。问题: 1.如何对每个条目进行分类，因为没有预先定义的类别。2.如果给你预先定义的类别，比如“餐馆”、“娱乐”等，你会怎么做？

Answer 1

1)如何在没有预先定义的类别的情况下对每个条目进行分类。

你不会的。相反，你会对数据的二维特征使用一些降维算法，猜测“自然”聚类的数量，然后运行聚类算法。

2)如果给你预先定义的类别，比如“餐馆”、“娱乐”等，你会怎么做？

你可以手动标记一大堆类别，然后训练一个分类器，看看它在准确性/F1、交叉验证等常用机制下的效果如何。或者你可以检查聚类算法是否能很好地提取这些类别，但之后你仍然需要一些标记的数据。