为朴素贝叶斯训练多少文件？

Posted 2023-03-12

【中文标题】为朴素贝叶斯训练多少文件？

【英文标题】：How many documents to train on for naive bayes?

【发布时间】：2015-10-28 20:21:43

【问题描述】：

我刚刚从头开始创建了自己的朴素贝叶斯模型，并在 776 个文档上对其进行了训练。我尝试对文档进行分类，但在所有三个测试文档中都对文档进行了错误分类。甚至本应属于其他类别的概率最低的类别（这是三个测试文档中的两个）。

我应该增加培训文档的数量吗？ 我不认为这是我的代码，因为我检查了计算但我不知道，也许 compute_numerators 函数在某种程度上是错误的？对于分子部分，由于下溢问题，我使用了日志，并总结了术语的概率和 (number_of_documents_in_category/overall_number_of_documents)

超级困惑和沮丧，因为这花了我这么长时间，现在我觉得它是徒劳的，因为它甚至没有正确分类一个文档:(

@鲍勃狄龙， 您好，感谢您认真的回复。我最大的问题是你所说的可分离是什么意思。你的意思是类之间的文件是否有明显的区别？我真的不知道该怎么回答。数据是由人类分类的，因此可以进行分离，但也许它与其他类型的类别如此接近以至于变得模糊？也许计算机无法识别归类为同一事物与另一类别的单词的差异？我必须保留这些类别，我不能重新排列类别，它们必须保持原样。我不确定如何在 R 中进行原型设计，我是否还需要获取文本数据并运行它？我是否还需要创建标记化等？我将研究信息增益和 SVM。我可能会回帖。谢谢！

【问题讨论】：

那么您将它与什么进行比较才能知道它是错误的？再加上统计数据中的神奇数字是 30。只要您有超过 30 个观察值，您的样本量就应该足够大。

那么测试文档已经分类了，我只是想看看它是否分类正确。我将预测与实际进行比较。是的，我有 776 个，所以肯定涵盖了 30 个基数，但也许文本分类需要更多？？

所以不要担心你的样品你很好。您要比较的引擎仍然没有意义。您的训练集与 R 或 Matlab 中的训练集不同吗？我仍然很困惑你怎么知道这是错的。

@FirebladeDan 引用“统计数据中的幻数是 30”？这听起来根本不对。

@IVlad - 我会认为你的证书是优越的。良好的输入 dlow

【参考方案1】：

我刚刚从零开始创建了自己的朴素贝叶斯模型，并在 776 个文档上对其进行了训练

朴素贝叶斯，顾名思义，是一种朴素算法。与支持向量机或（深度）神经网络等现代方法相比，这非常糟糕。在使用它时您应该牢记这一点：期待比抛硬币给您带来更好的结果，但不是很多。

尝试对文档进行分类，但在所有三个测试文档上都对文档进行了错误分类

只有三个测试文件？这是非常少的，并没有告诉你什么。如果您的文档总数为 x，则应至少使用 20% 进行测试。还可以考虑使用交叉验证。

我应该增加培训文档的数量吗？

这会有所帮助，是的。机器学习的一条黄金法则是，更多的数据通常会击败更好的算法。当然，我们不可能总是得到更多的数据，或者我们负担不起使用更多数据的处理能力，所以更好的算法很重要。

但为了能够看到改进，您还需要使用更多的测试数据。

结论：测试更多数据。如果您有779 文档，请至少使用100 进行测试或使用cross validation。如果您的准确度高于50-60%，那就高兴了，这对于如此大量的数据和朴素贝叶斯来说已经足够了。

【讨论】：

@lVlad，感谢您的回复。我将测试增加到大约 400 个，但只有 3 个是正确的 :( 我将训练集增加到 6000 个，并将使用 1200 个文档作为测试集。我也在研究 SVM，我会尽快更新。再次感谢您！跨度>

【参考方案2】：

你有很多不利于你的事情。

弱降维 - 仅限停用词过滤 多类分类 弱分类器 很少的训练数据

您向我们展示了您正在使用的代码，但如果数据不可分离，则不会对其进行排序。你确定数据可以分类吗？如果是这样，你期望什么表现？

在开始实施之前，您应该尝试对系统进行原型设计。使用 Octave、R 或 MatLab 是一个不错的起点。确保您的数据是可分离的，并且算法对您的数据有效。其他人建议使用 SVM 和神经网络而不是朴素贝叶斯分类。这是个好建议。每个都需要进行一些调整才能获得最佳性能。我使用 Google Prediction API 作为对系统性能的一阶检查，然后用 SVM 或其他分类器替换它以优化性能并降低成本/延迟/等。在潜水太深之前尽可能快速轻松地获得基线是很好的。

如果数据是可分离的，那么您为系统提供的帮助越多，它的性能就会越好。特征/降维消除噪声并帮助分类器表现良好。您可以进行统计分析来减少功能集。我喜欢信息增益，但还有其他的。

我发现this paper 是一种很好的文本分类理论处理方法，包括特征缩减。

我已经成功地使用信息增益来减少功能，并发现this paper 是一个非常好的实用指南。

至于训练数据的数量，这不是很明确。通常越多越好，但数据的质量也非常重要。如果数据不容易分离，或者潜在的概率分布与您的测试和野生数据不相似，那么即使有更多数据，性能也会很差。换句话说，训练数据的数量很重要，但质量至少同样重要。

祝你好运！