北京邮电大学
****学年第1学期实验报告
课程名称： 数据仓库与数据挖掘
实验名称： 文本的分类
实验完成人：
姓名： *** 学号： *&***
姓名： ** 学号： **
日 期：
实验一：文本的分类
1. 实验目的
? 掌握数据预处理的方法，对训练集数据进行预处理； ? 掌握文本分类建模的方法，对语料库的文档进行建模； ? 掌握分类算法的原理，基于有监督的机器学习方法，训练文本分类器；
? 了解SVM机器学习方法，可以运用开源工具完成文本分类过程。
2. 实验分工
***:
(1) 对经过分词的文本进行特征提取并用lisvm进行训练 (2) 用训练的模型对测试数据进行预测 ***：
(1) 数据采集和预处理 (2) 分词
3. 实验环境
Ubuntu 13.04+jdk1.7
4. 主要设计思想 4.1 实验工具介绍
1．NLPIR_ICTCLAS2013
NLPIR (又名ICTCLAS2013)，是由中科院张华平博士倾力打造的汉语分词系统。其主要功能包括中文分词、词性标注、命名实体识别、用户词典功能、支持GBK编码、UTF8编码、BIG5编码等。
从NLPIR官网可以下载其最新版的Java发布包，然后导入Eclipse，配置运行环境，实现对于语料库的分词。
最新的NLPIR可以通过更改源代码实现新增新词识别、关键词提取、微博分词等功能，极大地方便了使用。 2. Eclipse for Java
Eclipse 是一个开放源代码的、基于Java的可扩展开发平台。就其本身而言，它只是一个框架和一组服务，用于通过插件组件构建开发环境。幸运的是，Eclipse 附带了一个标准的插件集，包括Java开发工具（Java Development Kit，JDK）。 3. LibSVM
本次实验中我们采用的是台湾大学林智仁博士等开发设计的LIBSVM方法。这是一个操作简单、易于使用、快速有效的通用 SVM 软件包，可以解决分类问题(包括 C?SVC 、ν?SVC )， 回归问题(包括 ε ? SVR 、v? SVR ) 以及分布估计(one ? class ?
SVM ) 等问题，提供了线性、多项式、径向基和S形函数四种常用的核函数供选择，可以有效地解决多类问题、交叉验证选择参数、对不平衡样本加权、多类问题的概率估计等。
4.2 特征提取与表达方法的设计
特征提取是在初始特征集基础上提取出一个特征子集的过程，能够起到降低向量空间维数、简化计算、防止过拟合作用。首先根据特征提取算法对特征的重要性进行评估，然后进行重要度排序，最后根据提取阈值或提取比率完成提取。提取后的特征集将用于之后的训练和分类过程。常用特征提取算法有文档频数(Document Frequency)、信息增益(information Gain)、期望交叉熵(expected cross entropy)、互信息(Mutual Information)等。
本次实验采用信息增益法进行特征词提取，它是一个基于嫡的评价方法，涉及嫡理论公式，定义为某特征在文档中出现前后的信息嫡之差。根据训练数据，计算出各个单词的信息增益，删除信息增益很小的词，其余的按照信息增益从大到小排序。
采用TF-IDF建立文本向量，TF-IDF是由两部分组成，一部分是TF(Token Frequency)，表示一个词在文档中出现的次数，即词频。另一部分是IDF(Inverse Document Frequency)，表示某个词出现在多少个文本中(或者解释为有多少个文本包含了这个词)，即逆向文档频率。
4.3 分类算法的选择
我们选择svm的原因如下：
(1)非线性映射是SVM方法的理论基础,SVM利用内积核函数代替向高维空间的非线性映射；
(2)对特征空间划分的最优超平面是SVM的目标,最大化分类边际的思想是SVM方法的核心；
(3)支持向量是SVM的训练结果,在SVM分类决策中起决定作用的是支持向量。
(4)SVM 是一种有坚实理论基础的新颖的小样本学习方法。它基本上不涉及概率测度及大数定律等,因此不同于现有的统计方法。从本质上看,它避开了从归纳到演绎的传统过程,实现了高效的从训练样本到预报样本的“转导推理”,大大简化了通常的分类和回归等问题。 (5)SVM 的最终决策函数只由少数的支持向量所确定,计算的复杂性取决于支持向量的数目,而不是样本空间的维数,这在某种意义上避免了“维数灾难”。
(6)少数支持向量决定了最终结果,这不但可以帮助我们抓住关键样本、“剔除”大量冗余样本,而且注定了该方法不但算法简单,而且具有较好的“鲁棒”性。这种“鲁棒”性主要体现在: ①增、删非支持向量样本对模型没有影响; ②支持向量样本集具有一定的鲁棒性;