几乎所有的例子都基于数字。在文本文档中，我有单词而不是数字。
那么你能告诉我如何将这些算法用于文本文档分类的简单例子。
我不需要代码示例，只需要逻辑
伪代码会有很大帮助
答案 0 :(得分：9)
常见的方法是使用一袋单词模型（http://en.wikipedia.org/wiki/Bag_of_words_model），其中分类器将学习文本中单词的存在，它很简单但效果却非常好。
此外，还有一个类似的问题：Prepare data for text classification using Scikit Learn SVM
答案 1 :(得分：3)
您将文档中出现的术语表示为向量中的权重，其中每个索引位置都是术语的“权重”。例如，如果我们假设一个文件“hello world”，并且我们将位置0与“hello”的重要性和位置1与世界的重要性相关联，我们将该重要性作为该术语出现的次数来衡量，该文档被视为d =（1,1）。
同时，只有“你好”的文件将是（1,0）。
这种表示可以基于任何衡量文件中术语的重要性的条件，即术语频率（由@Pedrom建议）最简单的选项。最常见但又很简单的技术是应用TF-IDF，它结合了术语在文档中的常见程度以及集合中的罕见程度。
我希望这有帮助，
答案 2 :(得分：0)
在单词模型中，您可以使用术语频率，并根据它们在新文档和培训文档中的出现来为它们分配权重。之后，您可以使用相似度函数来计算培训和测试文档之间的相似性。