如何在stanford分类器中使用朴素贝叶斯分类器、SVM和最大熵
目前，我正在用朴素贝叶斯算法、支持向量机和最大熵做一个引文句分类器，目前我的数据是110个非引文句和10个引文句。我用代码从斯坦福分类器的例子中进行分类，结果很好。但是分类器是拟牛顿的。如何使用朴素贝叶斯分类器、支持向量机和最大熵？我已经尝试编辑道具文件并添加“usenb=true”，但结果发现所有数据都是非引用语句类的。我已经在http://nlp.stanford.edu/nlp/javadoc/javanlp/edu/stanford/nlp/classify/columndataclassifier.html上读过javadoc了，我不知道该把setClass放在哪里
共有1个答案
默认情况下，分类器将运行一个最大熵（即，逻辑回归）分类器--以编程方式运行LinearClassifier.java。QNMinimizer是一个L-BFGS最小化器的斯坦福实现，用于优化maxent目标。我认为标记usenb=true对于切换到朴素贝叶斯是正确的。用于运行SVM：理论上，CoreNLP有一个用于SVMLight的包装器，但在这一点上，您可以直接运行SVMLight。
你的训练数据是不是一开始就不平衡？有了一个平衡的训练集，把所有的句子放到一个类里会很奇怪。
-
作为理解用于分类的斯坦福nlp api的一部分，我在一个非常简单的训练集（3个标签=>['快乐'、'悲伤'、'中立'])上训练朴素贝叶斯分类器。此训练数据集为
-
上例的数据格式如下： both sedentary moderate yes i100 both sedentary moderate no i100 health sedentary moderate yes i500 appearance active moderate yes i500 appearance moderate aggressive yes i500
-
我正在开发一个朴素的贝叶斯分类器使用简单的词袋概念。我的问题是，在朴素贝叶斯或任何其他机器学习中，senario'训练‘分类器是一个重要的问题。但是当我已经有了一个不同类别的词包时，如何训练朴素贝叶斯分类器呢？
-
1 介绍 朴素贝叶斯是一种构建分类器的简单方法。该分类器模型会给问题实例分配用特征值表示的类标签，类标签取自有限集合。它不是训练这种分类器的单一算法，而是一系列基于相同原理的算法：所有朴素贝叶斯分类器都假定样本每个特征与其他特征都不相关。 举个例子，如果一种水果其具有红，圆，直径大概3英寸等特征，该水果可以被判定为是苹果。尽管这些特征相互依赖或者有些特征由其他特征决定，然而朴素贝叶斯分类器认为
-
参考资料地址： http://www.cnblogs.com/leoo2sk/archive/2010/09/17/naive-bayesian-classifier.html 我的数据挖掘算法实现源码地址：https://github.com/linyiqun/DataMiningAlgorithm 介绍 要介绍朴素贝叶斯算法(Naive Bayes)，那就得先介绍贝叶斯分类算法，贝叶斯分类算法