文本分类任务特征工程和分类器介绍

文本分类任务基本框架

• 文本
• 特征工程：决定模型的上限
• 分类器：逼近模型的上限
• 类别

文本特征提取的主要方法分类

1. 经典文本特征——前人研究成熟理论

1). TF 词频
2). TFIDF 词频逆文档
3). Doc2vec 深度学习 词向量按位相加形成一个向量，或者拼接形成长向量
4). Word2vec 深度学习

2. 手工构造新特征——新创可能性的新特征

1). 寻找可能影响分类效果的新特征
例：文章的长度可能会影响分类，所以将其作为一个特征

2). 人工制造可能影响分类的新特征
例： (x,y,z)−−−>(x,y,xy,xz,yz,x2,y2,z2) ( x , y , z ) − − − > ( x , y , x y , x z , y z , x 2 , y 2 , z 2 )

3. 用神经网络提取

神经网络作为特征提取器，用神经网络某一层输出作为特征
注：10W规模数据：传统机器学习方法更好

特征工程(选择)

1. 为什么要特征选择

1. 减弱维度灾难，计算量降低
2. 降低学习任务难度

2. 特征选择的方法

• 包裹式： 一组特征大的集合，挑选子集进行训练和验证，选择效果好的子集。

• 嵌入式：用分类器进行特征选择，逻辑回归分类器学出来的权重 w w ,w值大表示特征比较重要，如果 w w 为0或比较小，特征即可剔除。

• 过滤式：在分类器之前最特征进行过滤，例如求取特征的方差信息为0或很小，说明特征所起作用不大，可将其剔除， 类似，可过滤很多特征。

特征降维

• 目的：减少计算量，降低学习难度
• 作用：将一组特征经过数学变换形成新的特征，高维向量经过数学变换映射到低维 低维向量抽象出来的信息更有助于学习分类

降维方式分类

• 有监督降维：使用了样本类别信息
  代表方法：LDA线性判别分析
• 无监督降维：不使用了样本类别信息
  代表方法：
  
  • LSA浅层语义分析
  • Ida 对词频矩阵分解
  • NMF 非负矩阵分解

常用分类器

1. sklearn包

• 逻辑回归
• SVM
• 朴素贝叶斯
• 随机森林
• bagging

2. Lightgbm

3. xgboost

• 注：Lightgbm和xgboost是JBT算法实现的工具包，比赛大杀器，效果出众

4. 神经网络

• 具有强大拟合函数的能力，特征输入到神经网络里进行拟合，训练出优秀的函数作为最终的分类。

优化模型分类结果方法：多个单模型融合

• 关键：训练多个好而不同的单模型
• 补充：构造多个不同的训练集
• 融合方法：
  
  1. 投票法：少数服从多数或加权投票法
  2. 学习法：将全部预测结果放到新的分类器学习，产生新的结果。