分本分类特征抽取

基于类别特征向量表示的中文文本分类算法书中介绍了一种新的方法，在不分类的基础上实现分类

文本分类中特征空间的高维问题是文本分类的主要障碍之一。特征选择（FeatureSelection）是一种有效的特征降维方法。现有的特征选择函数主要有文档频率（DF），信息增益（IG），互信息（MI）等

WAP网页文本分类特征权重计算的改进，邱思衡，，本文对传统的权重计算方案进行了分析，在指出其不足的基础上提出了改进方案，首先对特征的类别区分能力予以了着重加强，在传统的

在非结构化数据挖掘结构模型，即发现特征子空间模型(DFSSM)的运行机制下，提出了一种新的文本分类算法——基于DFSSM的文本分类(TCDFSSM)算法。该算法在文本训练及分类阶段的基础上增加了自动反

通过文档基于模糊限定词的特征表达，定义特征的模糊函数，将文档表示为隶属度限幅的特征向量，构造文本集隶属度限幅的类特征矩阵，将每一类文本集映射为类期望向量，所有类期望向量便构成了隶属度限幅的特征VSM。

分析了传统信息增益（IG）特征选择方法忽略了特征项在类间、类内分布信息的缺点，引入类内分散度、类间集中度等因素，区分与类强相关的特征；针对传统信息增益（IG）特征选择方法没有很好组合正相关特征和负相关

是关于文本分类的综述介绍，其中包括文本分类的定义和应用、文本分类的方法、文本分类的评估指标、参考文献和资源，讲述较为详细

利用十大经典机器学习算法之一的SVM（支持向量机）算法，实现文本分类，用于自然语言处理。

包含4部分数据下载，提取特征，Pipline 训练模型，GridSearchCV 寻找最优参数。用到的算法，NB, KNN,SVM,

文本分类小型预料库，内容有训练集和测试集，亲测可用