Python 对文档进行多类别分类

我编写了一个基于的分类程序，它可以很好地将一个文档分类为一个类别。然而，我的上下文已经改变，我现在需要将文档分为N个类别

基本上，我需要从“垃圾邮件”/“非垃圾邮件”分类切换到“垃圾邮件和扑克”、“垃圾邮件和其他东西”、“非垃圾邮件”

我考虑了两种选择：

调整算法并按概率对可能的类别进行排序。这可能行得通，但我觉得不对。你觉得怎么样

使用完全不同的算法，在这种情况下，您会推荐哪种算法

提前感谢您的反馈：）

我们使用来自Weka库的J48算法（），它工作得很好

而且，Lingpipe工作得很好

---

这两种方法都很容易实现，而且都是开箱即用的。

没有理由不将朴素贝叶斯扩展到多个类别——事实上，它是一个简单的分类器，可以自然地扩展到多个类别。如果您的类别“垃圾邮件和扑克”、“垃圾邮件和其他东西”、“非垃圾邮件”完全不相交，您可以将其视为一个单独的三向分类任务：如果您的类别c_1、c_2和c_3具有先验概率p_1、p_2和p_3，以及似然度（给定类的实例概率）l_1、l_2和l_3，然后，类的后验概率与其前验概率的乘积成正比（正态化器就是p_1*l_1+p_2*l_2+p_3*l_3之和）。这同样适用于任何数量的类

但是，我怀疑您可能会在实践中发现更好的性能，首先确定它是否是垃圾邮件，然后确定垃圾邮件的类型（两阶段分类过程）

---

汤姆·米切尔（Tom Mitchell）的书《机器学习》（Machine Learning）是一本非常通俗易懂的入门书，如果你碰巧有机会使用它。

因为你的类不是不相交的，这就是多标签分类。在scikit学习包中，使用简单的一对一规则（也称为二进制相关性）：对于每个决策，垃圾邮件/非垃圾邮件、扑克/非扑克等，都有一个单独的分类器进行训练，在预测时，每个分类器都在测试样本上独立运行

更聪明的方法包括

---

（免责声明：我在sklearn中编写了部分多标签分类代码，因此这不是无偏见的建议。）

您可以使用k-最近邻算法对文档进行多类别分类，我使用Python，但我相信我可以在某处找到与lingpipe相当的方法。谢谢你的反馈：）这是我的问题，我的类别不是完全不相交的。我可以有“垃圾邮件和扑克”和“非垃圾邮件和扑克”：/如果你的类别不是不相交的，并且沿着几个独立的轴，那么为每个轴设置分类器，并从它们的组合输出中得出一个复合标签：即垃圾邮件与非垃圾邮件、扑克与非扑克，等等。