我有一个用例，其中文本需要分为三类之一。我从Naive Bayes [Apache OpenNLP，Java]开始，但是我被告知算法是有偏见的，这意味着如果我的训练数据有60％的数据为classA，30％的classB和10％的classC，则该算法倾向于偏向于ClassA，并因此预测其他类别文本为classA。
如果这是真的，有没有办法解决这个问题？
我遇到了其他算法，例如SVM分类器或逻辑回归（最大熵模型），但是我不确定哪种算法更适合我的用例。请指教。
最佳答案
有没有办法解决这个问题？
就在这里。但是首先，您需要了解为什么会发生这种情况？
基本上，您的数据集是不平衡的。
不平衡的数据集意味着两个类别之一的实例高于另一个类别，以另一种方式，分类数据集中的所有类别的观察次数都不相同。
在这种情况下，由于您拥有更多样本的训练数据，因此您的模型会偏向具有大多数样本的类别。
解决方案
采样不足：
从多数类中随机删除样本以使数据集平衡。
过度采样：
添加更多少数类样本以使数据集平衡。
更改绩效指标
使用F1-score，“ recall or precision”来测量模型的性能。
其他解决方案很少，如果您想了解更多信息，请参阅此blog
我遇到了其他算法，例如SVM分类器或逻辑回归（最大熵模型），但是我不确定
这将更适合我的用例
除非您尝试一下，否则您将永远不知道，我建议您对数据尝试3-4种不同的算法。