特征词选择算法对文本分类准确率的影响（四）

本小节，我们仅考虑一种特征词选择框架IG（infomation Gain）。



采用两种概率建模

第一种我们称之为经典的概率建模。也就是被公认采纳的那一种。



也就是说该种方法认为 每个类别的概率可以根据训练语料中两个类别的文章数目来估计，由于我的实验中两类数目相等所以各为二分之一。

文章是连接词语与类别的桥梁。因此在计算 TF（t,C）的时候，有可以根据文档是由多变量伯努利分布生成（一），还是多项式分布生成（二）。有两种概率计算方式。在（一）的情况下，仅考虑一个词在文章中是否出现，出现则为1,否则则为0。在（二）的情况下不仅要考虑一个词在文章中是否出现，而且要考虑其出现的次数。

下面给出情况一和情况二下的实验结果：

情况一：







情况二





对比后发现，取得最高准确率的值和维度都是一样的。不仅如此，

其实在两种情况下计算的各个文档规模，在各个特征维度上的5次交叉验证的平均准确率也是惊人的一致（大家不要怀疑我伪造数据哈，没有这个必要）

两种方法计算的平均准确率如下（图片只显示了部分，最后我会将准确率数据打包上传）