我正在为文本类别检测实现朴素贝叶斯分类器。 我有37个类别，在测试集上我的准确度大约为36％。
我想提高准确性，所以我决定在许多来源中建议实现37个双向分类器（Ways to improve the accuracy of a Naive Bayes Classifier?就是其中之一），这些分类器将回答给定的文本：
specific_category OR everything_else
我将通过顺序应用它们来确定文本的类别。
但我遇到了第一个分类器的问题，它总是在“specific_category”类别中失败。
我有培训数据 - 37个类别，每个类别相同大小的100个文档。 对于每个类别，我找到了我通过互信息标准选择的50个特征的列表（特征只是单词）。
为了举例，我使用两个类别“农业”和“everything_else”（农业除外）。
对于“农业”类别：
number of words in all documents of this class
(first term in denominator in http://nlp.stanford.edu/IR-book/pdf/13bayes.pdf, (13.7))
W_agriculture = 31649.
Size of vocabulary V_agriculture = 6951.
Log probability of Unknown word (UNK) P(UNK|agriculture) = -10.56
Log probability of class P(agriculture) = log(1/37) = -3.61 (we have 37 categories of same-size documents)
对于“everything_else”类别：
W_everything_else = 1030043
V_everything_else = 44221
P(UNK|everything_else) = -13.89
P(everything_else) = log(36/37) = -0.03
然后我有一个与农业无关的文本，让它主要由未知单词（UNK）组成。它有270个单词，它们对于“农业”和“所有内容”这两个类别大多是未知的。假设260个单词是“everything_else”的UNK，其他10个是已知的。
然后，当我计算概率时
P(text|agriculture) = P(agriculture) + SUM(P(UNK|agriculture) for 270 times)
P(text|everything_else) = P(everything_else) + SUM(P(UNK|everything_else) for 260 times) + SUM(P(word|everything_else) for 10 times)
在最后一行中，我们将260个单词计为UNK，将10个单词称为类别。
主要问题。作为P（UNK |农业）＆gt;＆gt; P（everything_else）（对于日志它更大），那些270项P（UNK |农业）的影响超过了对文本中每个单词的P（word | everything_else）的总和的影响。 因为
SUM(P(UNK|agriculture) for 270 times) = -2851.2
SUM(P(UNK|everything_else) for 260 times) = -3611.4
并且第一个总和要大得多，不能用P（农业）和SUM（P（word | everything_else）10个单词）来校正，因为差异很大。然后我总是在“农业”类别中失败，尽管文本不属于它。
问题：我错过了什么吗？或者我应该如何处理大量的UNK单词，并且它们对小类别的概率要高得多？
UPD ：试图扩大“农业”类别的转换数据（仅将文档连接36次），以使文档数量相等。它对少数几个类别有帮助，对其他类别没那么多，我怀疑由于单词数量和字典大小减少，P（UNK | specific_category）变得更大，并且当总和270次时，它会超过P（UNK | everything_else）。
因此，似乎这种方法对训练数据和词汇量大小的单词数量非常敏感。怎么克服这个？也许bigrams / trigrams会有帮助吗？
答案 0 :(得分：4)
对，好的。你很困惑，但我会给你一些基本的指示。
首先，即使您遵循1-vs-all方案，也不能为不同的类提供不同的词汇表。如果这样做，随机变量的事件空间是不同的，因此概率不具有可比性。你需要决定所有课程的单一常用词汇。
其次，扔掉未知的令牌。它对你没有帮助。忽略任何不属于你决定的词汇的单词。
最后，我不知道你在总结概率方面做了些什么。我想，你对记录日志感到困惑。这个公式不正确：
P（文本|农业）= P（农业）+ SUM（P（UNK |农业）270次）
相反，它是：
p（文本|农业）= p（农业）* p（unk |农业）^ 270 * p（所有其他单词在doc |农业）
如果您使用日志，则会变为：
log（p（t | a））= log（p（农业））+ 270 * log（p（unk |农业））+ log（p（所有其他词语|农业））
最后，如果你的分类器是正确的，那么没有理由相信one-vs-all比直接n-way分类更好。根据经验可能，但从理论上讲，他们的结果应该是等价的。在任何情况下，您都不应该按顺序应用决策，而应该执行所有n个双向问题并分配给正概率最高的类。