文本分类（四）：使用CHI进行文本的降维---提特征
2016-10-10 15:44
274 查看
先占一个位置，把LDA提取特征完成后，在补充
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 
相关文章推荐
- 文本分类（五）：使用LDA进行文本的降维---提特征
- 使用LIBSVM对原始文本语料进行文本分类（二）——特征选择（信息增益方法）
- 使用PCA对特征数据进行降维
- 文本分类（六）：使用fastText对文本进行分类--小插曲
- 文本分类（六）：使用fastText对文本进行分类--小插曲
- 使用python进行文本预处理和提取特征的实例
- 使用CountVectorizer并且不去掉停用词的条件下，对文本特征进行量化的朴素贝叶斯分类性能测试
- 使用TfidfVectorizer并且不去掉停用词的条件下，对文本特征进行量化的朴素贝叶斯分类性能测试
- Python 文本分类：使用scikit-learn 机器学习包进行文本分类
- 分别使用CountVectorizer与TfidfVectorizer， 并且去掉停用词的条件下，对文本特征进行量化的朴素贝叶斯分类性能测试
- 百度开源其NLP主题模型工具包，文本分类等场景可直接使用L——LDA进行主题选择本质就是降维，然后用于推荐或者分类
- 使用LIBSVM对原始文本语料进行文本分类（一）——语料介绍及文本预处理
- 机器学习（九）使用sklearn库进行数据分析_——文本特征处理
- Python 文本挖掘：使用机器学习方法进行情感分析（一、特征提取和选择）
- 文本分类（六）：使用fastText对文本进行分类--小插曲
- 使用weka进行文本聚类的例子
- LibSVM文本分类之工程中调用LibSVM进行文本分类
- 使用 Apache Lucene 和 Solr 进行位置感知搜索——通过合并非结构化文本和空间数据改进搜索应用程序
- 使用Haar特征进行人脸识别
- 使用CParaFormat和TCharFormat对文本进行格式化