2

我正在做一个电子邮件分类项目，将电子邮件分类到某个类别。到目前为止，我们将有趣的数据（例如：主题和正文）与其他信息一起保存到我们的数据库中。我们已成功地将术语频率 - 逆文档频率应用于项目，以检索在我们的电子邮件主题和正文中找到的所有术语/特征的矩阵。该矩阵的一个非常小的样本输出将是：

      dog    cat    fish
doc1  0,024  0,011  0,008
doc2  0,011  0,014  0,007
doc3  0,005  0,024  0,003
doc4  0,008  0,028  0,008
doc5  0,002  0,03   0,006

实际上，这个矩阵要大得多，因为我们有大约 23000 个术语，用于一组 165 封电子邮件。因为我们需要使用这个矩阵中的术语对电子邮件进行分类，所以 23000 个特征实在是太多了。这就是我们实施降维算法 (PCA) 的原因。这是通过使用以下代码（Accord 框架）完成的：

// Creates the Principal Component Analysis of the given source
pca = new PrincipalComponentAnalysis(matrix, AnalysisMethod.Center);

// Compute the Principal Component Analysis
pca.Compute();         

// Creates a projection of the information
double[,] components = pca.Transform(matrix, 20);

// Creates form to show components
frmRPCA frmPCA = new frmRPCA(components);
frmPCA.ShowDialog();

现在我们已经硬编码了维度的#，但这暂时不应该是一个问题。

我一直在研究如何使用朴素贝叶斯进行分类的 Accord 框架示例，但我无法真正弄清楚如何将其付诸实践。主要是因为该示例在我们处理数字时使用了文本，而我不太了解分类的工作原理。请参阅有关如何实现朴素贝叶斯的示例。

基本上，我的原始矩阵包含我的特征及其 TF-IDF 值（参见上面的示例），我想使用包含我的 PCA 的矩阵（pca.Transform 方法的输出）对它们进行分类。目前，我只有 2 个类我想对我的电子邮件进行分类（注册和提交）。我将如何实现这一目标？另外，如果我想在将来添加多个类，我将如何扩展它？

示例输出应类似于：

doc1 Registration
doc2 Registration
doc3 Registration
doc4 Submission
doc5 Submission
4

1 回答 1

3

如果您有兴趣进行分类，那么 LDA（及其变体）可能更适合您的情况。事实上，PCA 试图通过仅查看您的数据来最小化方差。但是，如果您有关于您的数据的额外信息，例如类标签，则有更好的方法来实现您所需要的。

  • 如果您有类标签形式的额外信息（即，数据集中的每个样本都有一个关联的整数值，表示它属于哪个类），那么您可以使用 LDA（线性判别分析）来减少方式，它对分类很有用。

  • 如果您有实际输出形式的额外信息（也就是说，数据集中的每个样本实际上都有一个与之关联的双精度值），那么您可以使用 PLS（偏最小二乘法）以一种有用的方式降低维度为回归。

假设您有分类问题，下面是一个关于如何使用 LDA 减少特征数据​​数量的示例：

// Create some sample input data instances. This is the same
// data used in the Gutierrez-Osuna's example available at:
// http://research.cs.tamu.edu/prism/lectures/pr/pr_l10.pdf

double[][] inputs = 
{
    // Class 0
    new double[] {  4,  1 }, 
    new double[] {  2,  4 },
    new double[] {  2,  3 },
    new double[] {  3,  6 },
    new double[] {  4,  4 },

    // Class 1
    new double[] {  9, 10 },
    new double[] {  6,  8 },
    new double[] {  9,  5 },
    new double[] {  8,  7 },
    new double[] { 10,  8 }
};

int[] output = 
{
    0, 0, 0, 0, 0, // The first five are from class 0
    1, 1, 1, 1, 1  // The last five are from class 1
};

// Then, we will create a LDA for the given instances.
var lda = new LinearDiscriminantAnalysis(inputs, output);

lda.Compute(); // Compute the analysis


// Now we can project the data into LDA space:
double[][] projection = lda.Transform(inputs);

如果您想将问题从二维减少到一维，您可以使用：

double[][] reduced_data = lda.Transform(inputs, 1);

结果将是一个 10x1 矩阵。它将包含对执行分类仍然有用的数据的低维表示。因此，您可以使用原始数据来学习分类器，而不是使用原始数据reduced_data。

此外，LDA 对象带有一个简单的最小距离分类器，可用于对实例进行分类。例如，您可以使用

int[] results = lda.Classify(inputs);

但是，没有什么可以阻止您使用您可能喜欢的任何其他分类器（例如朴素贝叶斯）。例如，为了使用朴素贝叶斯，您可以使用

// Create a new normal distribution Naive Bayes classifier for 
// a classification problem with 1 feature and the two classes
var nb = new NaiveBayes.Normal(classes: 2, inputs: 1);

// Compute the Naive Bayes model
nb.Estimate(reduced_data, output);

// Now, if we would like to classify the first instance 
// in our dataset, we would use
int result = nb.Compute(lda.Transform(input[0]));

框架附带的示例应用程序应该演示 LDA 如何工作以及朴素贝叶斯如何工作。

于 2015-04-17T13:40:42.683 回答