기계 학습을 처음 사용합니다. 기계 학습 개념을 적용해야하는 프로젝트를 진행 중입니다.기계 학습 텍스트 분류 기술
문제 설명 :
내가 .I이 알고리즘을 제공 할 필요가 키 words.These 일곱 개 고정 categories.Each 카테고리 훈련 데이터 (샘플 키워드) 데으로 분류 할 필요가 (3000 말) 수가 많은 , 새 키워드가 전달되면 해당 키워드가 속한 카테고리를 예측해야합니다.
어떤 텍스트 분류 기술을 this.do에 적용해야하는지 알지 못합니다. 사용할 수있는 도구가 있습니다.
도와주세요.
미리 감사드립니다.
이것은 선형 분류에 해당됩니다. 당신은 이것을 위해 순진 베이 분류자를 사용할 수 있습니다. 대부분의 ml 프레임 워크는 순진한 베이를 구현합니다. ex : mahout
답변 해 주셔서 감사합니다. – user1648855
naive-bayes 이외의 다른 분류기가 있습니까? 기존 분류기를 구현 한대로 사용할 수 있습니까? 아니면 변경해야합니까? WEKA 도구를 살펴보고 있습니다. 이에 대한 좋은 생각이 있습니다. – user1648855
네, Naive Bayes를 사용하는 것이 좋습니다. Naive Bayes는 다소 기본 분류 알고리즘입니다. 반면에 분명히 많은 알고리즘이 있습니다. 랜덤 포리스트 및 지원 벡터 머신이 마음에 듭니다. http://machinelearningmastery.com/use-random-forest-testing-179-classifiers-121-datasets/을 참조하십시오. Weka, Rapidminer 등과 같은 표준 툴킷을 사용하는 경우 이러한 알고리즘을 사용할 수 있어야합니다. Java 용 OpenNLP도 있으며 최대 엔트로피 분류자를 제공합니다.
당신은
또는 가장 가까운 거리에있는 카테고리에 각 사용자의 범주에 대한 설명 및 키워드 데이터 세트에서 다음 간단한 일치하는 각 키워드 사이의 Word2Vec 말씀 코사인 거리를 사용하여, 당신은 이미에서 훈련 데이터 집합을 만들 수 있었다 카테고리, 키워드와 일치하고 모델의 입력으로 각 카테고리에 대한 키워드 코사인 거리의 벡터를 사용하여 인공 신경망을 기반으로 ML 분류기를 사용합니다. 그러나 그것은 훈련에 대한 많은 양의 데이터가 좋은 정확도에 도달하도록 요구할 수 있습니다. 예를 들어, MNIST 데이터 세트에는 70000 개의 샘플이 포함되어 있으며 간단한 CNN으로 99,62 % 모델의 교차 유효성 검사 정확도에 도달 할 수있었습니다. 2000 샘플 만있는 다른 데이터 세트의 경우 약 90 %의 정확도에 도달했습니다.
많은 분류 알고리즘이 있습니다. 귀하의 예제는 텍스트 분류 문제로 보입니다 - 좋은 분류 기준은 SVM과 순진한 베이 일 것입니다. SVM의 경우, liblinear 및 libshorttext 분류는 좋은 옵션은 (그리고 많은 산업 applcitions에 사용되었습니다) :
liblinear : https://www.csie.ntu.edu.tw/~cjlin/liblinear/ libshorttext : 그들은 또한 scikit-learna 및 WEKA로 ML 도구에 포함되어 https://www.csie.ntu.edu.tw/~cjlin/libshorttext/
.
http://stackoverflow.com/questions/32073662/machine-learning-techniques-to-use –