我有一份包含足球运动员文字的1000份文件清单。从这些文件中的100个我知道在文档的文本中提到了哪些足球运动员。
我想在其余900份文件中识别足球运动员。
为此，我已经编写了一段代码来识别＆＃39;姓名＆＃39;。对于每个文档，我找到1个最多20个不同的名称。有些名字是足球运动员，但有些是经理，球探或其他人员。
为了确定文档中的名字是否是一名足球运动员，我为每个名字收集了一堆文字特征＆＃39;我找到了所有1000份文件。例如，＆＃39; name＆＃39;在文件中提到？另一个（重要的）特征是文件中观察到的名字是否是已知的足球运动员。那就是 - 这个名字是出现在足球运动员所知的100个文件中的任何一个吗？
我使用caret中的R包运行GBM来分类文档中观察到的名称是否为足球运动员。
我使用来自100个文件（我知道足球运动员）的信息来训练我的数据。在得到的模型中，我发现后一个特征是确定名称是否是足球运动员的最强预测器。但它是如此强大，以至于其余900份文件中观察到的名称不在100个已知文件中，从未被归类为足球运动员。
从阅读GBM文献中我相信我做错了什么，但我不知道到底是什么。
我理解（并考虑）我可以删除该名称是否出现在100个已知文档中的特征，但后来我失去了很多解释力。我可以使用train中的caret函数手动限制此预测变量的相对重要性吗？
我应该尝试或阅读其他技术或方法吗？
欢迎任何建议。谢谢！