我是机器学习的新手。我正在做一个需要应用机器学习概念的项目。
问题陈述：
我有大量（比如3000个）关键字。这些需要分为七个固定类别。每个类别都有训练数据（样本关键字）。我需要一个算法，当一个新的关键字被传递给也就是说，它应该预测这个关键词属于哪个类别。
我不知道需要为此应用哪种文本分类技术。我们是否有任何工具可以使用。
请帮忙。
提前致谢。
【问题讨论】：
标签： machine-learning text-classification supervised-learning
使用分类器，构建和验证一个实用的分类器仍然是一些操作。挑战之一是混合
预测变量无缝衔接。通常需要一些算法预处理。
神经网络确实提供了使用这两种变量的可能性。但是，它们需要熟练的数据科学家才能产生良好的结果。一个直接的选择是使用像Insight Classifiers 这样的在线分类器Web 服务来一次性构建和验证分类器。那里正在使用 N 折交叉验证。
您可以在单独的列中表示每个单词的存在或不存在。结果变量是期望的类别。
【讨论】：
有很多分类算法。您的示例看起来是一个文本分类问题 - 一些可以尝试的好的分类器是 SVM 和朴素贝叶斯。对于 SVM，liblinear 和 libshorttext 分类器是不错的选择（并且已在许多工业应用中使用）：
liblinear：https://www.csie.ntu.edu.tw/~cjlin/liblinear/ libshorttext:https://www.csie.ntu.edu.tw/~cjlin/libshorttext/
它们还包含在 scikit-learna 和 WEKA 等 ML 工具中。
【讨论】：
您可以在每个类别的描述和数据集中的关键字之间使用 Word2Vec Word Cosine 距离，然后简单地将每个关键字与距离最近的类别进行匹配
或者，您可以根据已匹配的类别、关键字创建训练数据集，并使用任何 ML 分类器，例如，基于人工神经网络，使用关键字向量到每个类别的余弦距离作为模型的输入。但它可能需要大量数据进行训练才能达到良好的准确性。例如，MNIST 数据集包含 70000 个样本，它允许我使用简单的 CNN 达到 99.62% 的模型交叉验证准确率，对于另一个只有 2000 个样本的数据集，我只能达到大约 90% 的准确率
【讨论】：
是的，我还建议使用朴素贝叶斯，这或多或少是这里的基线分类算法。另一方面，显然还有许多其他算法。我想到了随机森林和支持向量机。请参阅http://machinelearningmastery.com/use-random-forest-testing-179-classifiers-121-datasets/ 如果您使用标准工具包，例如 Weka、Rapidminer 等，这些算法应该是可用的。还有用于 Java 的 OpenNLP，它带有一个最大熵分类器。
【讨论】：
这属于线性分类。您可以为此使用朴素贝叶斯分类器。大多数机器学习框架都会有一个朴素贝叶斯的实现。例如：象夫
【讨论】：