因此，我尝试根据Naive Bayes的文本对文档进行分类。每个文档可能属于1到n个类别（可以将其视为博客文章中的标签）。
我目前的方法是为R提供如下所示的csv
+-------------------------+---------+-------+-------+
| TEXT TO CLASSIFY | Tag 1 | Tag 2 | Tag 3 |
+-------------------------+---------+-------+-------+
| Some text goes here | Yes | No | No |
+-------------------------+---------+-------+-------+
| Some other text here | No | Yes | Yes |
+-------------------------+---------+-------+-------+
| More text goes here | Yes | No | Yes |
+-------------------------+---------+-------+-------+
当然，所需的行为是使输入看起来像
Some new text to classify
和类似的输出
+------+------+-------+
| Tag 1| Tag 2| Tag 3 |
+------+------+-------+
| 0.12 | 0.75 | 0.65 |
+------+------+-------+
然后基于某个阈值，确定给定的文本是否属于标签1、2、3。
现在的问题是，在我发现的教程中，输入看起来应该更像
+--------------------------+---------+
| TEXT TO CLASSIFY | Class |
+--------------------------+---------+
| Some other text here | No |
+--------------------------+---------+
| Some other text here | Yes |
+--------------------------+---------+
| Some other text here | Yes |
+--------------------------+---------+
也就是说，每个类每个文本有一个ROW ...然后使用是的，我可以训练朴素贝叶斯，然后使用“一对多”来确定哪些文本属于哪个标签。问题是，我可以用一种更优雅的方式来做到这一点吗（也就是说，训练数据看起来就像我提到的第一个示例一样）？
我发现的示例之一是http://blog.thedigitalgroup.com/rajendras/2015/05/28/supervised-learning-for-text-classification/
最佳答案
从概念上讲，有两种方法。
您将标签合并为合并的标签。然后，您将获得联合概率。主要缺点是组合爆炸，这意味着您还需要更多的训练数据
您为每个标签构建一个单独的NB模型。
与概率建模一样，问题始终是您是否假设标签是独立的。本着朴素贝叶斯的精神，独立性假设是很自然的。在这种情况下，2.将会是必经之路。如果独立性假设不合理，并且您担心组合爆炸，则可以使用标准的贝叶斯网络。如果您遵循某些假设，您的性能将不会受到影响。
但是，您也可以采用混合方法。
您可以使用分层朴素贝叶斯模型。如果标签中有某种逻辑结构，则可以为这些类引入一个父变量。通常，如果两个标签同时出现，则您的值为tag1 / tag2。
基本思想可以扩展到您不是观察者的潜在变量。可以使用EM方案进行训练。这会稍微影响您的训练效果，因为您需要运行训练，但是多次迭代可能会为您带来最佳效果。
http://link.springer.com/article/10.1007%2Fs10994-006-6136-2#/page-1
关于r - 朴素贝叶斯和R的多类分类，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/36323759/