文本特征选择之互信息和卡方

参考：http://www.cnblogs.com/fengfenggirl/p/text_feature_selection.html

在做文本挖掘，特别是有监督的学习时，常常需要从文本中提取特征，提取出对学习有价值的分类，而不是把所有的词都用上，因此一些词对分类的作用不大，比如“的、是、在、了”等停用词。这里介绍两种常用的特征选择方法：

互信息

　　一个常用的方法是计算文档中的词项t与文档类别c的互信息MI，MI度量的是词的存在与否给类别c带来的信息量，互信息的基本定义如下：

　　应用到文本特征选择:

　　U、C都是二值随机变量，当文档包含词项t时，U的取值为et=1et=1，否则et=0et=0；当文档属于类别c时，C的取值ec=1ec=1，否则ec=0ec=0，用最大似然估计时，上面的概率值都是通过统计文档中词项和类别的数目阿里计算的。于是实际计算公式如下：　　

　　其中NxyNxy表示x=etx=et和y=ecy=ec情况下对应的文档数目，比如N10N10表示包含词项t(此时et=1et=1)但不属于类别c（此时ec=0ec=0）的；N1.=N10+N11N1.=N10+N11表示所有包含词项t的文档数目。N.1=N11+N01N.1=N11+N01表示所有属于类c的文档数目，N=N00+N01+N10+N11N=N00+N01+N10+N11表示所有文档数目。

　　举例：路透社的语料库Retuters-RCV1的一个类别poultry及词项export。类别和词项的四种组合的文档数如下：　　

　　计算类别poultry和词export之间的类别的互信息为：　　

　　我们可以对每一个类计算各个词项与其的互信息，并选取值最大的k个词项，当然有可能两个类会选取相同的特征词，去重一下即可。

　　互信息度量的是词项是否被类别包含所带来的信息量，如果某个词项均匀的分布在各个类别，那么I(U;C)=0I(U;C)=0，当某词项总是出现在当前类别，而在其他类别中很少出现时，I(U;C)I(U;C)就会比较大。使用互信息能够保留具有信息含量的词项的同时，去掉那些没有信息含量的词项，从而提高正确率。

X2X2统计量

　　在统计学中，X2X2统计量经常用来检测两个事件的独立性。在特征选择中，两个事件分别指词项的出现与类别的出现，计算公式如下：

　　依然是前面的类别poultry及词项export的例子，我们有

　　其他的类似计算，得到：　　

　　

　　查卡方的分布表，置信度为0.999的卡方临界值是10.83，也就是当卡方值X2(D,t,c)>10.83X2(D,t,c)>10.83时，我们有99.9%的把握，t与c不独立，这里284显然大于10.83，因此我们认为poultry与export不独立，也就是export对poultry是一个强特征。同样我们计算所有词的卡方值，取值最大的前k个词项作为特征词。

　　卡方是基于显著统计性来选择特征的，因此他会比MI选出更多的罕见词项，而这些词项对分类并不靠谱。

　　虽然卡方和互信息的出发点不同，但它们的准确性却相差不多，因为大部分文本分类问题中，只有很少的强特征，大部分都是弱特征。只要所有的强特征和很多弱特征被选出，那么分类的准确率就不会低。

　　另外上面介绍的两种特征选择主要用于文本的分类等用监督学习，而不适宜聚类等无监督学习，因为聚类我们不知道每篇文档属于的类别，也就无从计算互信息和卡方值，这时一般使用TF-IDF作为特征词的选取方法