新闻文章的多级分类算法

Question

我想把这篇新闻文章归类为它所属的类别。我有4类新闻，例如“技术、体育、政治和健康”。我已经为每一类收集了大约50份文件，作为一个培训集。

**培训数据是否足以进行分类？我应该使用哪种算法进行分类？支持向量机，随机森林，Knn，？

我正在使用Scikit-学习http://scikit-learn.org/ python库来完成我的任务。

谢谢

Answer 1

有很多方法来解决这个问题，从CRF到随机森林。

在你有限的训练数据下，我建议使用一个高偏差的模型，比如线性支持向量机。首先训练一个和每个类的所有模型，并预测可能是最高的类。这将为您提供一个基准，说明您的问题与给定的培训数据有多难。

Answer 2

我更喜欢你用朴素的贝叶斯分类。有一个叫做凌管的工具，这个工具已经实现了。你想做的就是

http://alias-i.com/lingpipe/demos/tutorial/classify/read-me.html

这里有一个小示例程序Classifynews.java。通过训练数据运行该程序并应用测试.A培训数据示例，作为“20个新闻组”。

http://qwone.com/~jason/20Newsgroups/

培训可以通过培训数据来应用，如果需要，您可以构建一个中间模型，然后将测试数据应用到该模型中。朴素-贝叶斯是好的情况下，培训数据是小的。

但其准确性随着训练数据的增加而增加。所以尽量包括更多的新闻集团。祝好运。试试这个，让我知道