本文主要描述了朴素贝叶斯分类方法，包括模型导出和学习描述。实例部分总结了《machine learning in action》一书中展示的一个该方法用于句子感情色彩分类的程序。1
方法概述学习（参数估计）实现：朴素贝叶斯下的文本分类
模型概述
朴素贝叶斯方法，是指朴素：特征条件独立贝叶斯：基于贝叶斯定理
根据贝叶斯定理，对一个分类问题，给定样本特征x，样本属于类别y的概率是...
分类：
其他好文 时间：
2016-07-19 10:48:55
阅读次数：
187
自己动手做聊天机器人一-涉及知识(2016-06-09)自己动手做聊天机器人二-初识NLTK库(2016-06-10)自己动手做聊天机器人三-语料与词汇资源(2016-06-12)自己动手做聊天机器人四-何须动手？完全自动化对语料做词性标注(2016-06-17)自己动手做聊天机器人五-自然语言处理中的文本分类(2..
分类：
其他好文 时间：
2016-06-24 22:21:01
阅读次数：
638
朴素贝叶斯： 有以下几个地方需要注意： 1. 如果给出的特征向量长度可能不同，这是需要归一化为通长度的向量（这里以文本分类为例），比如说是句子单词的话，则长度为整个词汇量的长度，对应位置是该单词出现的次数。 2. 计算公式如下： 其中一项条件概率可以通过朴素贝叶斯条件独立展开。要注意一点就是的计算方 ...
分类：
编程语言 时间：
2016-06-10 13:47:56
阅读次数：
353
转自：http://blog.csdn.net/csdwb/article/details/7082066 一.概述 文本分类在文本处理中是很重要的一个模块，它的应用也非常广泛，比如：垃圾过滤，新闻分类，词性标注等等。它和其他的分类没有本质的区别，核心方法为首先提取分类数据的特征，然后选择最优的匹配 ...
分类：
其他好文 时间：
2016-06-10 13:38:59
阅读次数：
266
当我们尝试使用统计机器学习方法解决文本的有关问题时，第一个需要的解决的问题是，如果在计算机中表示出一个文本样本。一种经典而且被广泛运用的文本表示方法，即向量空间模型(VSM)，俗称“词袋模型”。 我们首先看一下向量空间模型如何表示一个文本： 空间向量模型需要一个“字典”：文本的样本集中特征词集合，这 ...
分类：
其他好文 时间：
2016-06-10 13:36:34
阅读次数：
456
基于汉字字频特征实现99.99%准确率的新闻文本分类器（一） 基于汉字字频特征实现99.99%准确率的新闻文本分类器（二） 基于汉字字频特征实现99.99%准确率的新闻文本分类器（三） 基于汉字字频特征实现99.99%准确率的新闻文本分类器（四） 回顾 上一节中，使用五层神经网络，对抽取出的汉字字频 ...
分类：
其他好文 时间：
2016-05-30 23:12:36
阅读次数：
212
基于汉字字频特征实现99.99%准确率的新闻文本分类器（一） 基于汉字字频特征实现99.99%准确率的新闻文本分类器（二） 基于汉字字频特征实现99.99%准确率的新闻文本分类器（三） 回顾 上一节中，得到了汉字字频特征数据文件，并使用svm-train进行分类。初步得到了98.47%的准确率的二分 ...
分类：
其他好文 时间：
2016-05-30 21:21:36
阅读次数：
221
基于汉字字频特征实现99.99%准确率的新闻文本分类器（一） 基于汉字字频特征实现99.99%准确率的新闻文本分类器（二） 基于汉字字频特征实现99.99%准确率的新闻文本分类器（三） 回顾 上一节中，已经下载解压了八万个文本文件在D盘的的ClassFile目录下。 本节，将提取它们的字频特征，并进 ...
分类：
其他好文 时间：
2016-05-30 21:21:32
阅读次数：
142
SVM是一种很强大的的机器学习分类算法，在很多诸如文本分类，图像分类，生物序列分析和生物数据挖掘，手写字符识别等领域有很多的应用。具体理论性的东西参考博文http://www.dataguru.cn/forum.php?mod=viewthread&tid=371987 看完还是似懂非懂。 最近在做 ...
分类：
其他好文 时间：
2016-05-14 15:17:19
阅读次数：
137
支持向量机SVM
支持向量机（support vector machine，SVM）是由Cortes和Vapnik在1995年提出的，由于其在文本分类和高维数据中强大的性能，很快就成为机器学习的主流技术，并直接掀起了“统计学习”在2000年前后的高潮，是迄今为止使用的最广的学习算法。
本篇将要简要的介绍一下SVM，如有错误请批评指正，共同学习。本文主要分为以下几个部分：
SV...
分类：
系统相关 时间：
2016-05-12 12:45:35
阅读次数：
355
