我有一个“简单”的问题：我有文字部分，基于此，应该决定它是“A类”还是“B类”。
作为训练数据，我对文本的各个部分进行了分类，可以训练算法。
文本部分如下所示：
a blue car drives
或
the blue bus stops
或
the blue bike drives
a red bike drives
或
the red bus stops
（章节文字最多包含20个单词，变化很大）
如果我使用这个示例数据训练了算法，它应该决定文本是否包含“蓝色”它的分类A，如果它包含“红色”它的分类B等等。
如果单词的频率可能更多为A类或B类，则算法应根据训练数据进行学习。
这是最好的方法，我应该使用哪种工具？
答案 0 :(得分：0)
我认为fisrt try应该是Logistic Regression，因为你有二进制分类问题。一旦您定义了特征向量（例如，一组确定的单词的频率），您就可以优化用于二进制分类的成本函数的参数（例如，the sigmoid funcion）。
您可能需要的步骤是消除'stop words'。
答案 1 :(得分：0)
您可以尝试Fisher method，其中计算文档中每个特征词（红色，蓝色）的正（A）和负（B）的概率。假设在每个类别中将存在相同数量的项目，则获得具有两个指定单词（红色，蓝色）中的每一个的句子属于指定类别（A，B）的概率。然后获得组合概率。
由于这些特征不是独立的，因此这不是一个真实的概率，但它的工作方式与贝叶斯分类器非常相似。 Fisher方法返回的值是一个更好的概率估计，在报告结果或决定截止时非常有用。