文本分类（一）：整体流程

有了新闻分类的语料库，接下来我们就可以进行文本分类了。
首先说一下大概的流程：

1.进行分词
2.去停用词
3.取名词
4.特征提取
5.特征加权
6.构造分类器

正式开始

1 进行分词

现在网上有很多开源的分词工具可以供我们选择, 选择结巴分词进行分词。虽然中科院的分词工具号称是最好的中文分词工具，但是它并木有进行开源。
首先进行jieba的安装，结巴的github托管地址：github。里面有结巴的安装教程，比较好理解。
貌似分词就这么简单的结束了。

2 去停用词

貌似是更加简单的一步，只要找一个停用词表，然后写个小程序进行剔除 就可以了。

3 取名词

根据结巴的分词标注结果进行取名词操作，因为往往名词是一篇文章的重点关注对象。这一步需要根据实际任务来做，如果是新闻的话，名词代表的可能就足够了。

4 特征提取

进行语料库（保存很多文章的地方）的各个文章类别的特征提取。采用卡方检验进行特征的提取。

χ2(c,w)=N(AD−BC)2(A+C)(A+B)(B+D)(C