文本分類常用算法比較

本文對文本分類中的常用算法進行了小結，比較它們之間的優劣，為算法的選擇提供依據。 

一、決策樹（Decision Trees）

優點： 

1、決策樹易于理解和解釋.人們在通過解釋后都有能力去理解決策樹所表達的意義。 

2、對于決策樹，數據的準備往往是簡單或者是不必要的.其他的技術往往要求先把數據一般化，比如去掉多余的或者空白的屬性。 

3、能夠同時處理數據型和常規型屬性。其他的技術往往要求數據屬性的單一。 

4、決策樹是一個白盒模型。如果給定一個觀察的模型，那么根據所產生的決策樹很容易推出相應的邏輯表達式。 

5、易于通過靜態測試來對模型進行評測。表示有可能測量該模型的可信度。

6、在相對短的時間內能夠對大型數據源做出可行且效果良好的結果。

7、可以對有許多屬性的數據集構造決策樹。 

8、決策樹可很好地擴展到大型數據庫中，同時它的大小獨立于數據庫的大小。  

缺點： 

1、對于那些各類別樣本數量不一致的數據，在決策樹當中,信息增益的結果偏向于那些具有更多數值的特征。

2、決策樹處理缺失數據時的困難。

3、過度擬合問題的出現。 

4、忽略數據集中屬性之間的相關性。 

二、人工神經網絡

優點：

分類的準確度高,并行分布處理能力強,分布存儲及學習能力強，對噪聲神經有較強的魯棒性和容錯能力，能充分逼近復雜的非線性關系，具備聯想記憶的功能等。 

缺點：

神經網絡需要大量的參數，如網絡拓撲結構、權值和閾值的初始值；不能觀察之間的學習過程，輸出結果難以解釋，會影響到結果的可信度和可接受程度；學習時間過長,甚至可能達不到學習的目的。 

三、遺傳算法 

優點： 

1、與問題領域無關切快速隨機的搜索能力。 

2、搜索從群體出發，具有潛在的并行性，可以進行多個個體的同時比較，魯棒性好。 

3、搜索使用評價函數啟發，過程簡單。

4、使用概率機制進行迭代，具有隨機性。

5、具有可擴展性，容易與其他算法結合。  

缺點： 

1、遺傳算法的編程實現比較復雜,首先需要對問題進行編碼,找到最優解之后還需要對問題進行解碼, 

2、另外三個算子的實現也有許多參數,如交叉率和變異率,并且這些參數的選擇嚴重影響解的品質,而目前這些參數的選擇大部分是依靠經驗.沒有能夠及時利用網絡的反饋信息,故算法的搜索速度比較慢，要得到比較精確的解需要較多的訓練時間。 

3、算法對初始種群的選擇有一定的依賴性，能夠結合一些啟發算法進行改進。 

四、KNN算法(K-Nearest Neighbour)  

優點： 

1、簡單、有效。 

2、重新訓練的代價較低（類別體系的變化和訓練集的變化，在Web環境和電子商務應用中是很常見的）。 

3、計算時間和空間線性于訓練集的規模（在一些場合不算太大）。 

4、由于KNN方法主要靠周圍有限的鄰近的樣本，而不是靠判別類域的方法來確定所屬類別的，因此對于類域的交叉或重疊較多的待分樣本集來說，KNN方法較其他方法更為適合。 

5、該算法比較適用于樣本容量比較大的類域的自動分類，而那些樣本容量較小的類域采用這種算法比較容易產生誤分。  

缺點： 

1、KNN算法是懶散學習方法（lazy learning,基本上不學習），比一些積極學習的算法要快很多。 

2、類別評分不是規格化的（不像概率評分）。 

3、輸出的可解釋性不強，例如決策樹的可解釋性較強。 

4、該算法在分類時有個主要的不足是，當樣本不平衡時，如一個類的樣本容量很大，而其他類樣本容量很小時，有可能導致當輸入一個新樣本時，該樣本的K個鄰居中大容量類的樣本占多數。該算法只計算“最近的”鄰居樣本，某一類的樣本數量很大，那么或者這類樣本并不接近目標樣本，或者這類樣本很靠近目標樣本。無論怎樣，數量并不能影響運行結果?？梢圆捎脵嘀档姆椒ǎê驮摌颖揪嚯x小的鄰居權值大）來改進。 

5、計算量較大。目前常用的解決方法是事先對已知樣本點進行剪輯，事先去除對分類作用不大的樣本。 

五、支持向量機（SVM）

優點： 

1、可以解決小樣本情況下的機器學習問題。

2、可以提高泛化性能。

3、可以解決高維問題。

4、可以解決非線性問題。 

5、可以避免神經網絡結構選擇和局部極小點問題。 

缺點： 

1、對缺失數據敏感。

2、對非線性問題沒有通用解決方案，必須謹慎選擇Kernelfunction來處理。 

六、樸素貝葉斯 

優點： 

1、樸素貝葉斯模型發源于古典數學理論，有著堅實的數學基礎，以及穩定的分類效率。   

2、NBC模型所需估計的參數很少，對缺失數據不太敏感，算法也比較簡單。

缺點： 

1、理論上，NBC模型與其他分類方法相比具有最小的誤差率。但是實際上并非總是如此，這是因為NBC模型假設屬性之間相互獨立，這個假設在實際應用中往往是不成立的（可以考慮用聚類算法先將相關性較大的屬性聚類），這給NBC模型的正確分類帶來了一定影響。在屬性個數比較多或者屬性之間相關性較大時，NBC模型的分類效率比不上決策樹模型。而在屬性相關性較小時，NBC模型的性能最為良好。 

2、需要知道先驗概率。

3、分類決策存在錯誤率 

七、Adaboosting方法 

1、adaboost是一種有很高精度的分類器。 

2、可以使用各種方法構建子分類器，Adaboost算法提供的是框架。 

3、當使用簡單分類器時，計算出的結果是可以理解的。而且弱分類器構造極其簡單。 

4、簡單，不用做特征篩選。

5、不用擔心overfitting。 

八、Rocchio算法 

優點：

容易實現，計算（訓練和分類）特別簡單，它通常用來實現衡量分類系統性能的基準系統，而實用的分類系統很少采用這種算法解決具體的分類問題。 

九、各種分類算法綜合比較

Calibrated boosted trees的性能最好，

隨機森林第二，

uncalibrated bagged trees第三,

calibratedSVMs第四，

uncalibrated neural nets第五。    

性能較差的是樸素貝葉斯，決策樹。    

有些算法在特定的數據集下表現較好。