目前我正在使用 azure 机器学习。我用两种类型的数据集训练我的 ML，它们只不过是带有地址和没有地址的网页内容
培训输入：
i.e)
this is a address no 24/5 address
this is no address no-address
如果我使用任何其他方法，我正在使用二类贝叶斯分类对它们进行分类
给定输入：
i.e)
This a address 12/4
获得的输出：
i.e)
content score probability
This a address 12/4 no-address 0.54
预期输出：
i.e)
content score probability
This a address 12/4 address with higher probability
我的实验看起来像：
您需要使用 Feature Hashing 模块将文本转换为单词特征。但是，这可能还不够，因为对于您的问题来说，单词并不是很好的功能。您可能想要对文本进行一些处理并创建更多有用的功能（也许检测邮政编码的存在、数字的位置等......）
编辑：使用原始文本列作为一项功能不会让你到任何地方。您不希望您的模型以它们的编写方式学习地址。相反，您需要学习文本中为地址与非地址实例提供证据的模式。当您使用特征散列时，文本列将转换为多个单词（或 n-gram）列，其中的值表示每个文本输入中这些单词的计数。这里的问题是过拟合。例如，这两个地址没有相同的词：“100 Broadway st, GA”和“200 main rd, NY”，但很明显它们具有相似的结构。创建“有用特征”的一种方法是用标签替换单词：“#NUM #TXT,#STATE”并使用特征哈希（二元组）来创建特征，例如“#NUM #TXT”和“,#STATE” ”。如你看到的，这些二元组在两个地址中都算作证据，并表明它们之间存在某种相似性（与其他非地址实例相比）。当然，这是对问题的过度简化，但我希望你明白为什么不能使用原始文本或普通特征散列。
除了“执行 R”模块在训练前进行文本处理之外，您仍然可以使用 Azure ML 模块进行功能哈希、训练和评分。
编辑：特征散列使用示例：http: //gallery.azureml.net/Details/cf65bf129fee4190b6f48a53e599a755