知识卡片
逻辑斯谛回归情感分类
把清洗后的文档分为 25000 训练/25000 测试,用 GridSearchCV + 5 折分层交叉验证找最佳参数。因特征向量巨大、网格搜索计算昂贵(约40分钟)。TfidfVectorizer 组合 CountVectorizer 与 TfidfTransformer,param_grid 比较 tf-idf(use_idf=True, norm=‘l2’)与原始词频(use_idf=False, norm=None),并对逻辑斯谛回归比较 L1/L2 正则与 C 取值。最佳模型:不含停用词的常规 token + tf-idf + L2 正则 + C=10.0,测试分类准确率约90%。朴素贝叶斯也是流行的文本分类器(尤其垃圾邮件过滤)。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 使用机器学习进行情感分析 · 查看原书依据
结果表明,我们的机器学习模型针对电影评论是正面评价还是负面评价的分类准确率为90%
参考来源
- 位置:《Python机器学习》第8章《8.3 训练用于文档分类的逻辑斯谛回归模型》(源文件:`../../book-sources/extracted/Python机器学习/_epub-src/OEBPS/Text/part0112.xhtml.xhtml)
- 结论依据:原文直接支撑上述要点。
- 原始内容:结果表明,我们的机器学习模型针对电影评论是正面评价还是负面评价的分类准确率为90%