我尝试在我的java代码中做文本分类朴素贝叶斯weka库，但我认为分类的结果不正确，我不知道是什么问题。我使用arff文件作为输入。这是我的训练数据:@relationhamspam@attributetextstring@attributeclass{spam,ham}@data'good',ham'good',ham'verygood',ham'bad',spam'verybad',spam'verybad,verybad',spam'goodgoodbad',ham这是我的测试数据:@relationtest@attributetextstring@attributeclass{
我想知道sklearn中是否有一个函数对应于准确度(实际数据和预测数据之间的差异)以及如何打印出来？fromsklearnimportdatasetsiris=datasets.load_iris()fromsklearn.naive_bayesimportGaussianNBnaive_classifier=GaussianNB()y=naive_classifier.fit(iris.data,iris.target).predict(iris.data)pr=naive_classifier.predict(iris.data) 最佳答案
有谁知道在做朴素贝叶斯分类时如何设置alpha参数吗？例如我首先使用词袋构建特征矩阵，矩阵的每个单元格都是词的计数，然后我使用tf(termfrequency)对矩阵进行归一化。但是当我使用朴素贝叶斯构建分类器模型时，我选择使用多项式N.B(我认为这是正确的，而不是伯努利和高斯)。默认的alpha设置是1.0(文档说它是拉普拉斯平滑，我不知道是什么)。结果真的很糟糕，只有21%的召回率找到了正类(目标类)。但是当我设置alpha=0.0001(我随机选择)时，结果得到95%的召回率。此外，我检查了多项式N.Bformula，我认为这是因为alpha问题，因为如果我使用单词计数作为特征，
我在Postgres数据库中存储了大约300k文档，这些文档带有主题类别(总共大约150个类别)。我还有另外150k个文档还没有类别。我正在尝试找到以编程方式对它们进行分类的最佳方法。我一直在探索NLTK及其朴素贝叶斯分类器。似乎是一个很好的起点(如果您能为这项任务提出更好的分类算法，我会全力以赴)。我的问题是我没有足够的RAM来一次在所有150个类别/300k文档上训练NaiveBayesClassifier(5个类别的训练使用8GB)。此外，随着我对更多类别进行训练，分类器的准确率似乎会下降(2个类别的准确率为90%，5个类别为81%，10个类别为61%)。我是否应该一次只
我在Postgres数据库中存储了大约300k文档，这些文档带有主题类别(总共大约150个类别)。我还有另外150k个文档还没有类别。我正在尝试找到以编程方式对它们进行分类的最佳方法。我一直在探索NLTK及其朴素贝叶斯分类器。似乎是一个很好的起点(如果您能为这项任务提出更好的分类算法，我会全力以赴)。我的问题是我没有足够的RAM来一次在所有150个类别/300k文档上训练NaiveBayesClassifier(5个类别的训练使用8GB)。此外，随着我对更多类别进行训练，分类器的准确率似乎会下降(2个类别的准确率为90%，5个类别为81%，10个类别为61%)。我是否应该一次只
对于如何保存经过训练的分类器，我有些困惑。例如，每次我想使用它时重新训练一个分类器显然真的很糟糕而且很慢，我如何保存它并在需要时再次加载它？代码如下，提前感谢您的帮助。我正在使用带有NLTK朴素贝叶斯分类器的Python。classifier=nltk.NaiveBayesClassifier.train(training_set)#lookinsidetheclassifiertrainmethodinthesourcecodeoftheNLTKlibrarydeftrain(labeled_featuresets,estimator=nltk.probability.ELEProb
对于如何保存经过训练的分类器，我有些困惑。例如，每次我想使用它时重新训练一个分类器显然真的很糟糕而且很慢，我如何保存它并在需要时再次加载它？代码如下，提前感谢您的帮助。我正在使用带有NLTK朴素贝叶斯分类器的Python。classifier=nltk.NaiveBayesClassifier.train(training_set)#lookinsidetheclassifiertrainmethodinthesourcecodeoftheNLTKlibrarydeftrain(labeled_featuresets,estimator=nltk.probability.ELEProb
