来源 | Stanford University
整理 | fendouai
一、文本分类
1. 文本分类问题举例：
- 这是一个垃圾邮件吗？
- 电影评价是正面的还是负面的？
- 这篇文章的主题是什么？
2. 文本分类的应用
- 给文章确定分类，主题，流派
- 垃圾文本检测
- 原创鉴定
- 年龄，性别鉴定
- 语言鉴定
- 情感分析
3. 定义文本分类
- 输入：
一个文本 d
一组分类 C={c1,c2,…, cJ}
- 输出：
一个预测的分类 c∈C
4. 分类方法
1）手写规则
- 黑名单邮件地址 或者 (元 或者 被选择)
- 如果规则是由专家定义的，准确率可能会很高。
- 但是建立和维护这些规则代价都是昂贵的。
2）有监督机器学习
- 输入：
一个文本 d
一组分类 C={c1,c2,…, cJ}
一个手动打标的训练集 (d1,c1),….,(dm,cm)
- 输出：
一个分类器 γ : d->c
- 分类器种类
a. 朴素贝叶斯
b. 逻辑回归
c. 支持向量机
d. K 近邻
二、朴素贝叶斯
1. 基于贝叶斯规则的简单分类方法
2. 依赖于简单的文本表示——词袋模型
1）词袋模型表示
2）词袋模型表示：使用单词的子集
词袋模型表示
3. 形式化朴素贝叶斯分类器
对于一个文档 d 和一个分类 c
MAP 是最大化后验概率，或者说：最有可能的类别。
根据贝叶斯规则，转化为
去掉共同的分母，转化为
文档 d 表示为 特征 x1 .. xn
这个类别出现的概率是多少？我们可以只计算在语料中的相对的频率，这些参数是不是只有在非常非常大的训练集的情况下才能够确认。
4. 多项朴素贝叶斯独立假设
- 词袋模型假设：假设位置并不重要
- 条件假设：假设 特征概率 P(xi,cj)是独立的，在类别 c 给出的情况下。
可以推出以下等式：
多项朴素贝叶斯分类器
三、应用多项朴素贝叶斯分类器到文本分类
positions 在测试文档中所有的词位置
编译自：
https://web.stanford.edu/class/cs124/lec/naivebayes.pdf
