当预定义的类别不可用时如何对文本进行分类

Question

我有一个问题，不知道必须应用哪种算法。 我正在考虑在案例二中应用集群，但不知道案例一：

我有 50 万份信用卡活动文件。每个文档定义明确，每行包含 1 个事务。日期、金额、零售商名称和零售商的简短 5-20 字描述。 样本： 2004-11-47，$500，亚马逊，一家提供书籍、硬件、音乐等商品和服务的在线零售商。 问题： 1. 如果没有预先定义的类别，如何对每个条目进行分类。 2. 如果给你预先定义的类别，如“餐厅”、“娱乐”等，你会怎么做？

Answer 1

1) 如果没有预先定义的类别，如何对每个条目进行分类。

你不会的。相反，您可以对数据的二维特征使用一些降维算法，猜测“自然”聚类的数量，然后运行聚类算法。

2) 如果给您预先定义的类别，例如“餐厅”、“娱乐”等，您会怎么做？

您需要手动标记其中的一堆，然后在上面训练一个分类器，看看它与通常的准确度/F1、交叉验证等机制的工作情况如何。或者您可以检查一个聚类算法是否适用这些类别很好，但是您仍然需要一些标记数据。