文本分类器测试

使用imdb情感分析的语料库进行二值的文本分类测试：

       文本的特征是这样抽取的，   首先对文本集合训练word2vec 获得每个词的嵌入表示，    取每篇文章前64个词的嵌入表示构成特征向量， 这种方法提取的特征，对比了tf-idf 提取的文本特征 （采用LR方法） 效果好太多。

       使用自己实现的LR分类器， 采用SGD来训练模型， 在测试集合 上准确率为70%  ， 计划再用L-BFGS训练模型试试。

       使用 自己实现的cart 和random forest  测试集合上的准确率为60%，实现简单训练速度快。

       使用 LIBFM准确能够达到70%，    训练较慢， 效果一般 令人失望。

       使用GBDT测试准确率能够达到76%，效果不错 但是训练速度较慢，与caffe框架相比无优势。

        使用caffe  deeplearning  framework   ， 数据表示为   dim  *1*word_size,  dim 表示嵌入表示的每个词的向量维度，  需要GPU。

                                           1 ） 两层全连接， 中间包含relu  and  drop out 层，测试 准确率能够达到80%

                                            2） 两层CNN加两层全连接，    测试准确率仅为71% ，  CNN的方法不知是否还有改进空间有待验证。