情绪分析训练数据应该均匀分布吗？
Should sentiment analysis training data be evenly distributed?
如果我根据大多数文档都是负面的标记数据集训练情绪分类器，比如 ~95%，是否应该使用相同的负面评论分布来训练分类器？如果没有，"normalize" 数据集的其他选项是什么？
你没有说你有什么类型的分类器，但一般来说你不必规范化训练集的分布。但是，通常数据越多越好，但您应该始终进行盲测以防止over-fitting。
在你的情况下，你将有一个强大的负面评论分类器，除非你有非常大的样本量，否则一个较弱的正面分类器。如果您的样本量足够大，那将无关紧要，因为您已经达到了可能开始 over-fitting 负面数据的地步。
简而言之，在不知道实际算法和数据集的大小以及数据集内的多样性的情况下，不可能肯定地说。
你最好的选择是（随机地）分割掉大约 10% 的训练数据，然后看看分类器在对 90% 的子集进行训练后的表现如何。
如果我根据大多数文档都是负面的标记数据集训练情绪分类器，比如 ~95%，是否应该使用相同的负面评论分布来训练分类器？如果没有，"normalize" 数据集的其他选项是什么？
你没有说你有什么类型的分类器，但一般来说你不必规范化训练集的分布。但是，通常数据越多越好，但您应该始终进行盲测以防止over-fitting。
在你的情况下，你将有一个强大的负面评论分类器，除非你有非常大的样本量，否则一个较弱的正面分类器。如果您的样本量足够大，那将无关紧要，因为您已经达到了可能开始 over-fitting 负面数据的地步。
简而言之，在不知道实际算法和数据集的大小以及数据集内的多样性的情况下，不可能肯定地说。
你最好的选择是（随机地）分割掉大约 10% 的训练数据，然后看看分类器在对 90% 的子集进行训练后的表现如何。