《表2 朴素Bayes文本分类器的分类结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《朴素Bayes分类器文本特征向量的参数优化》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在使用TFIDF算法时，适当地选择特征项词性可在很大程度上降低文本分类的时间成本，并提高分类准确率．本文考察了特征项既有名词和又有动词、仅为名词、仅为动词这3种情况对分类的影响，结果列于表2．由表2可见：当未知文本特征项词性为动词和名词时，朴素Bayes文本分类器的文本正确分类数量最多，为53个；仅为名词时次之，为49个；仅为动词时最差，为34个．这主要是因为新闻类文本的特征项大多数为名词，去掉动词特征项对特征向量影响较小，所以当特征项仅为名词时，正确分类数量下降不明显；但若去掉名词特征项将对特征向量产生巨大影响，进而使分类错误概率极大增加．