特征选择和特征抽取

特征提取算法分为特征选择和特征抽取两大类。
特征选择：不改变原始的特征数据，只是选择一部分出来。其中常用的特征选择算法有：
（1）DF(Document Frequency) 文档频率
DF:统计特征词出现的文档数量，用来衡量某个特征词的重要性
（2）MI(Mutual Information) 互信息法
互信息法用于衡量特征词与文档类别直接的信息量。
如果某个特征词的频率很低，那么互信息得分就会很大，因此互信息法倾向"低频"的特征词。相对的词频很高的词，得分就会变低，如果这词携带了很高的信息量，互信息法就会变得低效。
（3）(Information Gain) 信息增益法
通过某个特征词的缺失与存在的两种情况下，语料中前后信息的增加，衡量某个特征词的重要性。
（4）CHI(Chi-square) 卡方检验法
利用了统计学中的"假设检验"的基本思想：首先假设特征词与类别直接是不相关的
如果利用CHI分布计算出的检验值偏离阈值越大，那么更有信心否定原假设，接受原假设的备则假设：特征词与类别有着很高的关联度。
（5）WLLR(Weighted Log Likelihood Ration)加权对数似然
（6）WFO（Weighted Frequency and Odds）加权频率和可能性
特征抽取：进行了特征由高维到低维的映射，特征实际上产生了一定的变化。常用的算法为主成分分析（PCA）