1樓：匿名使用者
一般是先分詞，然後用tfidf方法
來向量化，只用詞頻效果不是很好，然後可以用特徵選專擇方法或特徵抽取方法來屬降低維度，一般的方法有資訊熵、資訊增益等等很多種的。如果你的機器跑得動的話不降也可以，不過一般來說還是要降的
誰有樸素貝葉斯對文字分類的c++版呀，現在在做畢業設計，要用到樸素貝葉斯對文字情感的分類。前面的分詞、 20
2樓：星夜落塵
都有 基於樸素貝葉斯分類器的文字分類演算法(c語言).doc ，c++的改一下就行了。
3樓：若海_十一
我有matlab的**……
誰有樸素貝葉斯對文字分類的c/c++版呀? 20
4樓：魔斯漢堡包
..這個工程量貌似很大啊。。要是有的話我20分同求。。謝謝樓主了
基於weka實現文字分類 中文短文字 不同演算法的結果差異較大 樸素貝葉斯明顯優於其他 請問原因
5樓：東邊的雲
樓主你好
對於文字分類，樸素貝葉斯或者貝葉斯信念網路 的效果是最好的 和一般的聚類分類是有區別的
樓主可以參閱 bug triage的相關文獻
6樓：匿名使用者
你好！每種分類方法都有自己的擅長領域，對於文字分類問題，可能你的資料條件比較適合應用樸素貝葉斯方法，svm、決策樹方法等也是有缺點的！
求《最後的常春藤葉》概括，求《最後的常春藤葉》中，貝爾曼畫葉的情景
最來後的常春藤葉 講述自了老畫家貝爾曼為了鼓勵貧病交加的青年畫家頑強地活下去，在風雨之夜掙扎著往牆上畫了一片永不凋零的常春藤葉。他為此用生命繪製的傑作付出了生命的代價，但青年畫家卻因此獲得勇氣而活了下來。歌頌了藝術家之間相濡以沫的友誼和蒼涼人生中那種崇高的藝術家品格 捨己救人。這篇 表面上看像一泓靜...
如何區分條件概率 乘法公式 全概率公式和貝葉斯公式
條件概率 用在a 事件發生的情況下b事件發生的概率。概率乘法公式版 用在ab 同時發生時候。全概率公權式用在a事件可以看作整體被b分割時候。貝葉斯公式用於先驗和後驗 較複雜精確時用邊際分佈密度 擴充套件資料 條件概率是指事件a在另外一個事件b已經發生條件下的發生概率。條件概率表示為 p a b 讀作...
求解全概率公式問題，全概率公式與貝葉斯公式有什麼區別
證明用全概率公式即可 但我認為也可以這樣證明 表示強度，本題中表示母雞下蛋的強度 那麼孵化成小雞的強度為 p，帶入概率分佈即可 全概率公式與貝葉斯公式有什麼區別 1.全概公式 首先建立一個完備事件組的思想,其實全概就是已知第一階段求第二階段,比如第一階段分a bc三種,然後a bc中均有d發生的概率...