技术积累--常用的文本分类的特征选择算法

Posted 一只快乐的程序猿[Hui]

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了技术积累--常用的文本分类的特征选择算法相关的知识,希望对你有一定的参考价值。

常采用特征选择方法。常见的六种特征选择方法:
1)DF(Document Frequency) 文档频率
DF:统计特征词出现的文档数量,用来衡量某个特征词的重要性
2)MI(Mutual Information) 互信息法
互信息法用于衡量特征词与文档类别直接的信息量。
如果某个特征词的频率很低,那么互信息得分就会很大,因此互信息法倾向"低频"的特征词。
相对的词频很高的词,得分就会变低,如果这词携带了很高的信息量,互信息法就会变得低效。
3)(Information Gain) 信息增益法
通过某个特征词的缺失与存在的两种情况下,语料中前后信息的增加,衡量某个特征词的重要性。
4)CHI(Chi-square) 卡方检验法
利用了统计学中的"假设检验"的基本思想:首先假设特征词与类别直接是不相关的
如果利用CHI分布计算出的检验值偏离阈值越大,那么更有信心否定原假设,接受原假设的备则假设:特征词与类别有着很高的关联度。
5)WLLR(Weighted Log Likelihood Ration)加权对数似然
6)WFO(Weighted Frequency and Odds)加权频率和可能性
 
 
mark:具体做法有时间继续整理

以上是关于技术积累--常用的文本分类的特征选择算法的主要内容,如果未能解决你的问题,请参考以下文章

7月17日至7月22日技术积累要点

文本分类混合CHI和MI的改进文本特征选择方法

目标跟踪积累总结

Chatgpt-3 使用的提取积累数据集技术和数据集自动化处理

Attention机制总结

HTML常用标签积累