如何对未标记的数据进行分类？

Question

我是机器学习的新手。我正在尝试构建一个分类器，将文本分类为具有 url 或没有 url。数据未标记。我只有文本数据。我不知道该怎么做。感谢任何帮助或示例。

Answer 1

1. 您无法使用未标记的数据训练分类器。你需要有标签的例子。有一些服务会为您标记它，但您手动操作可能更简单（我假设您可以每分钟完成一个）。
2. 堆栈溢出用于编程；这个问题更适合Cross-Validated。也许他们会有比我更好的建议。
3. 标记数据后，网络上有很多关于此主题的信息 - 例如，如果您已经对这个问题有所了解，this blog 是一个很好的起点。

祝你好运！

Answer 2

由于是文本，你可以使用bag of words技术来创建向量。

• 您可以使用cosine similarity对常用类型文本进行聚类。

• 然后使用分类器，这将取决于集群的数量。

• 这样你就有了一个带标签的训练集。

  • 如果您有两个集群，则可以使用逻辑回归等二元分类器。
  • 如果您有多个类，则需要基于多项逻辑回归训练模型
  • 或使用One vs Rest 技术训练多个逻辑模型。

• 最后，您可以使用 k 折交叉验证来测试您的模型。