发帖
雷达卡
| 如题！ 本人使用knn算法。因为tm包在windows下做词条文档矩阵有问题，就在Linux下做。安装了Rstudio-server.在另一台电脑用游览器访问。使用jiebaR包分词，tm包做分类。 做完文档词条矩阵之后，转化成数据框，然后用knn做分类与检测。 用了400个化工产业的企业文本（包括主营产品和企业简介）作为训练集，200个化工企业和200个非化工企业。再用400个企业做测试集，效果很不理想。200个化工企业中，只查出了13个化工企业，而非化工企业，则全部判定正确。总的来说，倾向于判定企业属于非化工企业。 自己总结了一下原因，应该是knn算法对小数据集有效率高一些，对大数据集有效率低。 另一个是我的特征词太多了，有八千多个。我看炼数成金的tm包教学中，英文垃圾邮件分类只用了50多个特征词。 我总结的两个原因对不对？请大神赐教。 |
京公网安备 11010802022788号
