R中文本的多类分类

Question

我为多类文本分类构建了一个随机林。该模型的准确率为75％。有6个标签，但是在6个类别中，只有3个被分类，其余的没有分类。如果有人能让我知道出了什么问题，我真的很感激。

以下是我遵循的步骤。

数据准备

• 创建一个单词向量进行描述。

• 使用单词vector构建语料库。

• 预处理任务，例如删除号码，空格，
  停用词和转换为小写。

• 构建文档术语矩阵（dtm）。

• 从上面的dtm中删除稀疏的单词。

• 上述步骤导致计数频率矩阵显示 其同等列中每个单词的频率。

• 将计数频率矩阵转换为二进制实例矩阵， 它将文档中单词的出现显示为0或0 1，1表示存在，0表示缺席。

• 使用原始数据集追加标签列 转化的dtm。标签栏有6个标签。

模型构建

• 随机抽样dtm并将其拆分为训练集并进行测试 组。
• 使用7倍交叉验证构建随机森林的基本模型。

• 检查训练集和测试模型的准确性 集。

  我正在分享结果的链接（如果允许的话）。

  http://rpubs.com/shanmukha_karthik/346007

Answer 1

提高准确度可能有很多种可能性： 1. 尝试增加少于1000个实例的类的大小。 2. 尝试使用多个删除稀疏术语阈值，如; 0.991,0.99,0.999等，并相应地检查您的准确性 3。使用词干，它曾用于为您提供单词的词根形式 4。您在创建自己的dtm时只使用术语频率（TF）。只需添加即可尝试使用tfidf分数。

tdm <- DocumentTermMatrix(corpus,
       control = list(weighting = function(x) weightTfIdf(x, normalize = FALSE),stopwords = TRUE))

5. 尝试使用其他套餐;从mlr使用护林员训练RandomForest。

我希望它适合你。