有哪些方法可以对文档进行分类？
what methods are there to classify documents?
我正在尝试进行文档分类。但我真的对特征选择和 tf-idf 感到困惑。它们是相同的还是两种不同的分类方式？
希望有人能告诉我吗？我不确定我的问题对你们是否有意义。
是的，你混淆了很多东西。
特征选择是选择特征（0或1）的抽象术语。去除停用词可以看作是特征选择。
TF 是 一个 方法从文本中提取 特征：计算单词。
IDF 是一种 为特征分配权重的方法。
它们都不是分类...它们在文本分类方面流行，但在信息检索方面更受欢迎，这不是分类...
然而，许多分类器都是针对数字数据进行工作的，因此常见的过程是 1. 提取特征（例如：TF） 2. Select 特征（例如去除停用词） 3. 加权特征（例如 IDF） 4. 在生成的数值向量上训练分类器。 5.预测new/unlabeled个文档的类个。
查看 this 解释可能对理解文本分类器有很大帮助。
TF-IDF 是查找回答给定查询的文档的好方法，但它不一定会分配带有 类 的文档。
可能有用的示例：
1) 你有一堆文件，主题涉及政治、经济、计算机科学和艺术。属于每个主题的文档被分为每个主题的适当目录（您有一个标记的数据集）。现在，您收到了一份您不知道其主题的新文件。应该存放在哪个目录下？分类器可以从已经标记的文档中回答这个问题。
2) 现在，您收到了有关计算机科学的查询。例如，您收到查询 "Good methods for finding textual similarity"。计算机科学目录中的哪个文档可以提供对该查询的最佳响应？ TF-IDF 是解决这个问题的好方法。
因此，当您 class 化文档时，您试图决定文档是否是特定 class 的成员（例如，'about birds'或 'not about birds').
分类器根据一组特征预测 class 的值。一组好的特征将具有高度 判别力 - 它们会告诉您很多关于文档是 class 还是另一个的信息。
Tf-idf（词频逆文档频率）是一个特殊的特征，似乎对文档 classification 任务具有鉴别力。还有其他的，比如字数（tf 或词频）或者正则表达式是否与文本匹配或者你有什么。
特征 selection 是 select 好的（判别性）特征的任务。 Tfidf 可能是 select.
的一个很好的特性
我正在尝试进行文档分类。但我真的对特征选择和 tf-idf 感到困惑。它们是相同的还是两种不同的分类方式？
希望有人能告诉我吗？我不确定我的问题对你们是否有意义。
是的，你混淆了很多东西。
特征选择是选择特征（0或1）的抽象术语。去除停用词可以看作是特征选择。
TF 是 一个 方法从文本中提取 特征：计算单词。
IDF 是一种 为特征分配权重的方法。
它们都不是分类...它们在文本分类方面流行，但在信息检索方面更受欢迎，这不是分类...
然而，许多分类器都是针对数字数据进行工作的，因此常见的过程是 1. 提取特征（例如：TF） 2. Select 特征（例如去除停用词） 3. 加权特征（例如 IDF） 4. 在生成的数值向量上训练分类器。 5.预测new/unlabeled个文档的类个。
查看 this 解释可能对理解文本分类器有很大帮助。
TF-IDF 是查找回答给定查询的文档的好方法，但它不一定会分配带有 类 的文档。
可能有用的示例：
1) 你有一堆文件，主题涉及政治、经济、计算机科学和艺术。属于每个主题的文档被分为每个主题的适当目录（您有一个标记的数据集）。现在，您收到了一份您不知道其主题的新文件。应该存放在哪个目录下？分类器可以从已经标记的文档中回答这个问题。
2) 现在，您收到了有关计算机科学的查询。例如，您收到查询 "Good methods for finding textual similarity"。计算机科学目录中的哪个文档可以提供对该查询的最佳响应？ TF-IDF 是解决这个问题的好方法。
因此，当您 class 化文档时，您试图决定文档是否是特定 class 的成员（例如，'about birds'或 'not about birds').
分类器根据一组特征预测 class 的值。一组好的特征将具有高度 判别力 - 它们会告诉您很多关于文档是 class 还是另一个的信息。
Tf-idf（词频逆文档频率）是一个特殊的特征，似乎对文档 classification 任务具有鉴别力。还有其他的，比如字数（tf 或词频）或者正则表达式是否与文本匹配或者你有什么。
特征 selection 是 select 好的（判别性）特征的任务。 Tfidf 可能是 select.
的一个很好的特性