机器学习:文本挖掘之特征选择

时间:2022-03-30 18:35:52

题目:下列哪个不属于常用的文本分类的特征选择算法?

卡方检验值

互信息

信息增益

主成分分析(不属于)

----------------------------------------------------------------------------------------------------------------

文本挖掘之特征选择

机器学习算法的空间、时间复杂度依赖于输入数据的规模。

维度规约(Dimensionality reduction)则是一种被用于降低输入数据维数的方法。分为两类:

特征选择(feature selection):从原始的d维空间中,选择为我们提供信息最多的k个维(这k个维属于原始空间的子集)——保留原空间信息

特征提取(feature extraction):将原始的d维空间映射到k维空间中(新的k维空间不输入原始空间的子集)——构造新空间

文本挖掘与文本分类的有关问题中,常采用特征选择方法。常见的四种特征选择方法:

1)DF(Document Frequency) 文档频率

DF:统计特征词出现的文档数量,用来衡量某个特征词的重要性,DF的定义如下:机器学习:文本挖掘之特征选择

2)MI(Mutual Information)
互信息法

互信息法用于衡量特征词与文档类别直接的信息量。

如果某个特征词的频率很低,那么互信息得分就会很大,因此互信息法倾向"低频"的特征词。

相对的词频很高的词,得分就会变低,如果这词携带了很高的信息量,互信息法就会变得低效。

互信息法的定义如下:

机器学习:文本挖掘之特征选择

继续推导MI的定义公式:

机器学习:文本挖掘之特征选择

3)IG(Information Gain) 信息增益法

通过某个特征词的缺失与存在的两种情况下,语料中前后信息的增加,衡量某个特征词的重要性。

4)CHI(Chi-square) 卡方检验法

利用了统计学中的"假设检验"的基本思想:首先假设特征词与类别直接是不相关的

如果利用CHI分布计算出的检验值偏离阈值越大,那么更有信心否定原假设,接受原假设的备则假设:特征词与类别有着很高的关联度。

5)WLLR(Weighted Log Likelihood Ration)加权对数似然

6)WFO(Weighted Frequency and Odds)加权频率和可能性

好的特征应该有较高的文档频率

好的特征应该有较高的文档类别比例