Re: [請益] 有沒有一樣是研究text mining的同好呢

看板CSSE (電腦科學及軟體工程)作者cansas (cansas)時間15年前 (2009/02/22 17:40)推噓2(2推 0噓 4→)

留言6則, 3人參與討論串5/5 (看更多)

※ 引述《sandwichC (沒回應=掛站)》之銘言： : 標題: Re: [請益] 有沒有一樣是研究text mining的同好呢 : 時間: Fri Feb 20 00:26:03 2009 : : 20newsgroup的資料算是相當容易判別的資料了 : 用十年前的 Naive Bayesian Text Classifiation : (http://www.cs.cmu.edu/~knigam/papers/multinomial-aaaiws98.pdf ) : : 當training 和 testing data set 各佔50%時，就可以達到平均85%以上的正確率 : 就算是你說的比較難分的 religious.misc 也有 60% 以上的正確率 : 如果你再用一些 feature selection 的技巧，平均正確率達到95%以上沒問題 : : Dr. McCallum 的 Bow (http://www.cs.cmu.edu/~mccallum/bow/ ) : 可以完全做到你要做的事 : 該網頁也是用20newsgroup做例子 : 連feature selection都幫你準備妥當了 : : : : 其實是這樣的 text mining 可以粗略簡化為三個流程 : : 1.特值擷取: 因為電腦讀不懂語意　所以需要使用一些數學方法擷取出相對重要的 : : 詞，做為該文件的索引字，例如使用　”馬英九”　”慢跑”　這兩個字 : : 做為馬英九慢跑這篇新聞的索引字。 : : 2.建造分類器：分類器有很多種　可以選擇ＳＶＭ　ＫＮＮ等　都有不同特性 : : 3.Pattern Matching: 將需要分類的新文件　與過去使用Training data 所建製的 : : 分類器　做比對的動作　計算相似度　接著決定這分新文件屬於哪 : : 個類別 : : 以上是三個連貫的流程　也就是說　其中一個環節有錯　就會直接對結果產生影響 : : 另外越前端的環節做不好　產生的影響越大　 : : 其實我現在的問題是　我有一個benchmark 有相似的類別　也有非常獨立的類別 : : 使用這個benchmark 來測試分類器的準度使用一定比例進行Training 和 Testing : : 相似的類別使用數學方法　計算權重　擷取出來的字非常相似　經常重疊 : : 這連帶的影響到後端分類器的建置　分類器無法明顯的區分出這兩個類別 : : 就搞得頭好痛　那個benchmark 叫做　20newsgroup 有幾個很難區分的類別分別是 : : "atheism" ,"talk.religion.misc","religion.christian" 這幾個類別截取出來的字 : : 常常就是　"god","christian" ,"christ"　等　經常談論到神　如果使用關連法則作為分 : : 類器就很容易產生 {god,christian}->talk.religion.misc 和 {god,christian}-> : : religion.christian 這種容易混淆的規則因為分類器就是依照這些擷取出來字 : : 搭配所使用的分類器所產生的pattern 進行分類 : : 不知道這樣子有沒有說明白...不好意思　麻煩了 : : -- : My blog: http://sandwichc-life.blogspot.com/ : : -- : ※ 發信站: 批踢踢實業坊(ptt.cc) : ◆ From: 146.186.229.10 您給我的資訊非常寶貴我是在研究一些特徵值截取的方法例如 Tf-idf ,Mutual Information 等這些方法的共同點是相似的類別截取出來的特徵值會很像但因為我正在研究一些新的特徵值截取方式所以 BOW 這個工具裡面已經有的方法可能幫助有限不過您提的貝式分類器倒是給了我不少靈感因為我一直懷疑自己的研究準度一直上升不起來的原因可能是建製分類器的方法太陽春了才會有這個問題所以近幾天稍微研究了一下貝式分類器的特色非常感謝您的資訊 -- ※ 發信站: 批踢踢實業坊(ptt.cc) ◆ From: 125.230.76.227