【NLP文本分类二】各种文本分类算法集锦，从入门到精通

情感分析说白了，就是一个文本(多)分类问题，我看一般的情感分析都是2类（正负面）或者3类（正面、中性和负面）。

本文给出14个分类的例子来讲讲各类文本分类模型—从传统的机器学习文本分类模型到现今流行的基于深度学习的文本分类模型，最后给出一个超NB的模型集成，效果最优。
在这篇文章中，笔者将讨论自然语言处理中文本分类的相关问题。笔者将使用一个复旦大学开源的文本分类语料库，对文本分类的一般流程和常用模型进行探讨。首先，笔者会创建一个非常基础的初始模型，然后使用不同的特征进行改进。 接下来，笔者还将讨论如何使用深度神经网络来解决NLP问题，并在文章末尾以一般关于集成的一些想法结束这篇文章。
本文覆盖的文本分类方法有:

• TF-IDF
• Count Features
• Logistic Regression
• Naive Bayes
• SVM
• Xgboost
• Grid Search
• Word Vectors
• Dense Network
• LSTM
• GRU
• Ensembling

分词是任何中文文本分类的起点，分词的质量会直接影响到后面的模型效果。

构建基础模型（Basic Models）

让我们先创建一个非常基础的模型。
这个非常基础的模型（very first model）基于 TF-IDF (Term Frequency - Inverse Document Frequency)+逻辑斯底回归（Logistic Regression）。
笔者将scikit-learn中的TfidfVectorizer类稍稍改写下，以便将文本中的数字特征统一表示成"#NUMBER"，达到一定的降噪效果。

【未完待续】…

参考链接I