本文档是关于机器学习课程设计的报告，重点是新闻文本分类。通过对政治、体育等六类新闻的收集，使用Multinomial event model的朴素贝叶斯模型进行分类。实验结果显示，调整词汇表大小可以改善模型过拟合，最佳词汇表大小约为20900。此外，对比了词集模型和词袋模型，发现词袋模型在准确率上优于词集模型。实验还讨论了去停用词对结果的影响，并指出了模型改进的方向，包括考虑词之间的关联性以及优化条件概率计算方法。
✅作者简介：CSDN内容合伙人、信息安全专业在校大学生🏆
🔥系列专栏 ：课设-机器学习
📃新人博主 ：欢迎点赞收藏关注，会回访！
💬舞台再大，你不上台，永远是个观众。平台再好，你不参与，永远是局外人。能力再大，你不行动，只能看别人成功！没有人会关心你付出过多少努力，撑得累不累，摔得痛不痛，他们只会看你最后站在什么位置，然后羡慕或鄙夷。
文章目录
一．工程摘要
摘要： 本次报告实现了新闻分类。从新闻网站上，收集了六类中文文本，分别是政治，体育，法律，经济，科技，美食。对文本采用词集模型和词袋模型分别处理，利用机器学习模型中的基于Multinomial event model模型的朴素贝叶斯文本分类预测进行分类，构建了一个新闻文本分类器。
二、研究背景与意义
2.1 研究背景及意义
中文文本分类在日渐完善的网络信息管理与网络平台建设方面都发挥着重要的作用。国内的信息发布和交流平台主要依靠中文文本进行信息的传递,
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
