将文本文件分成两组——无监督学习

Question

想象一下，您是一名图书管理员，在一段时间内您 对一堆文本文件进行了分类（大约 100 个） 使用一般的模糊关键字。

每个文本文件实际上是keyword_meaning1的一个主题 或 keyword_meaning2.

的主题

您会使用哪种无监督学习方法， 将文本文件分成两组？

正确分类的精度（百分比） 可以实现根据多个文本文件吗？

或者可以在一组中以某种方式表示，有 图书管理员需要检查某些文件，因为 他们可能分类不正确？

Answer 1

最简单的起点是使用朴素贝叶斯分类器。很难推测预期的精度。你必须自己测试。只需获取一个垃圾邮件检测程序并试用即可。例如，SpamBayes (http://spambayes.sourceforge.net/) 是一个很好的起点并且很容易破解。 SpamBayes 有一个很好的功能，当两个 类.

之间没有明确的分隔时，它会将消息标记为 "unsure"

编辑：当你真的想要无监督的聚类方法时，也许像 Carrot2 (http://project.carrot2.org/) 这样的方法更合适。