如何将额外的列车数据集成到朴素贝叶斯中？

Question

我用naivebayeslibrary（Python）做了一个web分类的例子，效果很好（对web页面进行了很好的分类）。你知道吗

实际上我有两个问题。首先

我只使用网页的内容（文章方面）。这没问题，但是，我想整合标题与双重加权效应的输出。我可以检索变量列表名为titles[]的页面的标题。这是我的分类代码：

x_train = vectorizer.fit_transform(temizdata)
classifer.fit(x_train, y_train) 

我可以在文章文本中添加标题，但这次文章文本和标题的权重相同。你知道吗

在代码中，temizdata是我保存网页文章文本的列表。而y_train是类。如何将标题[]集成到具有双重权重的分类中？你知道吗

我使用Countvectorizer进行向量化，使用naivebayes多项式nb分类器。你知道吗

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB
vectorizer = CountVectorizer()
classifer = MultinomialNB(alpha=.01)

Answer 1

如果我正确地理解了您的问题，那么您需要使用从文本和标题派生的字数统计功能。标题中的特征应该比文本特征获得两倍的权重。我认为在这种情况下（如果可能的话）为特征分配优先权是没有意义的。毕竟，你做机器学习是因为你想让电脑知道哪些功能更重要。你知道吗

我建议你可以尝试两种方法：

1. 功能合并从文本体生成x_text_train，从标题生成x_title_train，并按如下方式合并它们：

   x_text_train= text_vectorizer.fit_transform(temizdata)
   x_title_train= title_vectorizer.fit_transform(titledata)
   x_train = np.hstack(x_text_train, x_title_train)
   

   确保对文本和标题使用两个单独的矢量器，以便分类器了解文本特征和标题特征之间的区别。如果其中任何一个特征更重要，分类器应该解决这个问题。

2. 做hierarchical classification：像你已经做的那样，在文本上训练一个分类器。训练另一个分析员的标题。最后，在前两个分类器的输出上训练第三个分类器。

编辑：

1. 如果你真的希望标题的重要性是文本的两倍，你可以训练两个不同的分类器（就像在分级分类中）并取它们输出的加权平均值（如果输出是类概率）。你知道吗