我试图在基于文字袋，页面布局，包含或不包含表格的文档中对页面进行分类，特别是搜索页面，具有粗体标题等。在此前提下，我创建了一个{ {1}}对于每个文档都是这样的：
page totalCharCount matchesOfWordX matchesOfWordY hasFeaturesX hasFeaturesY hasTable score 0 0.0 608.0 0.0 2.0 0.0 0.0 0.0 0.0 1 1.0 3292.0 1.0 24.0 7.0 0.0 0.0 0.0 2 2.0 3302.0 0.0 15.0 1.0 0.0 1.0 0.0 3 3.0 26.0 0.0 0.0 0.0 1.0 1.0 1.0 4 4.0 1851.0 3.0 25.0 20.0 7.0 0.0 0.0 5 5.0 2159.0 0.0 27.0 6.0 0.0 0.0 0.0 6 6.0 1906.0 0.0 9.0 15.0 3.0 0.0 0.0 7 7.0 1825.0 0.0 24.0 9.0 0.0 0.0 0.0 8 8.0 2053.0 0.0 20.0 10.0 2.0 0.0 0.0 9 9.0 2082.0 2.0 16.0 3.0 2.0 0.0 0.0 10 10.0 2206.0 0.0 30.0 1.0 0.0 0.0 0.0 11 11.0 1746.0 3.0 31.0 3.0 0.0 0.0 0.0 12 12.0 1759.0 0.0 38.0 3.0 1.0 0.0 0.0 13 13.0 1790.0 0.0 21.0 0.0 0.0 0.0 0.0 14 14.0 1759.0 0.0 11.0 6.0 0.0 0.0 0.0 15 15.0 1539.0 0.0 20.0 3.0 0.0 0.0 0.0 16 16.0 1891.0 0.0 13.0 6.0 1.0 0.0 0.0 17 17.0 1101.0 0.0 4.0 0.0 1.0 0.0 0.0 18 18.0 2247.0 0.0 16.0 5.0 5.0 0.0 0.0 19 19.0 598.0 2.0 3.0 1.0 1.0 0.0 0.0 20 20.0 1014.0 2.0 1.0 16.0 3.0 0.0 0.0 21 21.0 337.0 1.0 2.0 1.0 1.0 0.0 0.0 22 22.0 258.0 0.0 0.0 0.0 0.0 0.0 0.0
我正在研究Naive Bayes和SVM算法，但我不确定哪一个更适合这个问题。变量是独立的。其中一些必须存在以增加分数，其中一些与反向文档频率匹配，如pandas.DataFrame。
有任何帮助吗？
非常感谢！
答案 0 :(得分：0)
由于连续得分，我认为是你的标签，这是一个回归问题。 SVM在分类问题中更常见。那里有很多可能的算法。 Logistic回归在解决类似问题时非常常见。
修改
现在您编辑了帖子，您的问题就变成了分类问题： - ）
分类=您希望数据分类为boolean（True，False）或multinomial（Big，Middle，Small，Very Small）的一些类
回归=连续值（0到1之间的所有实数）
现在，您可以尝试使用SVM，看看它是否适合您的数据。
请参阅@Maxim的答案他有一些好处（平衡，缩放）
答案 1 :(得分：0)
一般来说，很难说哪种方法效果最好：我假设你有更多的数据，问题很大程度上取决于数据。但是，这仍然是一些想法：
虽然您说功能是独立的，但似乎totalCharCount和matchesOfWordY依赖。我认为假设文档中的字符越多，可能存在的匹配就越多是合理的。这是反对朴素贝叶斯的强烈信号。
二元逻辑回归看起来好多了，也是我的第一个候选人。但有一个建议是规范化totalCharCount功能，因为它的比例似乎比其他功能大得多。
除非您有更多关于班级1的培训示例，否则您的数据将无法使用。如果是这种情况，您可能会进入constant prediction problem。一种可能的解决方案是使用weighted cross entropy损失函数。
除了SVM classifier之外，还要考虑xgboost.XGBClassifier。它们都可以提供非常好的准确性。