Machine learning 多朴素贝叶斯分类器

我正在考虑为一个评论站点实现一个朴素的“是”分类器，以便识别垃圾邮件评论并提出几个问题

我突然想到有多种类型的垃圾邮件，比如与他们正在审查的内容无关的赤裸裸的营销垃圾，而不是欺骗性的审查。为不同的目的实现多个分类器是否明智，这样一个分类器可以更好地检测一般垃圾邮件，而另一个分类器可以学习欺骗性评论

在一个类似的例子中，有多个类别的项目正在被审查，所以对于“欺骗性审查”分类器，最好只有一个分类器尝试从所有审查中学习？或者每个类别都有一个分类器更好，这样它就可以了解这些类别中的细微差别了

---

我知道这些并不是傻瓜式的，只是将潜在的评论标记为手动检查，但我不清楚最佳设置。

只要您使用任何足够复杂的算法，您就应该能够用任何一种方法区分“好”和“坏”数据。如果您使用一个模型来完成这一切，那么您只需要增加模型的大小，这样综合模型就可以（最坏的情况下）构建两个决策的独立路径，“垃圾邮件”和“欺骗”

如果你在三个不同的分类上训练它：好的、垃圾邮件和欺骗；那么不管怎样你都做得很好。但是，请注意，单独训练时，模型尺寸更小，训练时间更短，因为不准确的猜测会更少

另一方面，使用两个模型供以后实际使用可能会降低检测速度，因为通过第一个模型的每个输出都必须通过第二个模型。对于大多数应用程序，此时间不是一个重要因素

最重要的是，我将从每个类的一个单独模型开始：实现和培训中的任何问题都将更快地找到，更容易隔离