我正在尝试使用Python的sklearn包构建一个情感分析引擎。问题在于分析烂番茄影评，这是在Kaggle竞赛中的一个项目

https://www.kaggle.com/c/sentiment-analysis-on-movie-reviews

情感可以有五种可能的值

我使用了以下分类器

1. 多项式朴素贝叶斯
2. 逻辑回归
3. 随机梯度下降

由于这些都是适合二元分类的线性分类器，我需要采取以下步骤

1. 将训练集和测试集分成五个部分，每个部分对应一种情感。假设情感的可能值为a、b、c、d、e。那么在我的数据的第一部分中，我将拥有所有评论，但标记为情感’a’的评论将被标记为正面，其余所有评论将被标记为负面。同样，我为其他情感值创建其他部分。

2. 清理所有五个部分的数据

3. 创建一个管道，并将所有测试集部分依次输入到我的分类器中。我将为每个部分存储一个结果。因此，分类第一部分的结果是partOneRes，依此类推。在partOneRes中标记为正面的任何内容都属于情感’a’。其他部分也是如此处理。

4. 最后，我希望将所有五个部分的结果结合起来。我会查看partOneRes。任何标记为正面的内容将被更改为情感’a’。我将对所有其他部分进行类似的处理。然后我只需合并结果。

5. 理想情况下，我不会有重叠或重复的情况。但我确实有少量的重复，这是可以接受的。我可以添加一些逻辑来处理这个问题。

6. 我将对所有三个分类器执行此操作，最后我想找出哪个分类器给我带来的结果最佳。

我的问题是，我可以看到许多评论我的分类器无法归入任何类别！为什么会这样？这是否因为数据集的规模较小？

回答：

重申一下，问题在于你训练的五个二元模型并非相互排斥的。有几种可能。首先，你对五种情感的分类是否完全准确，或者是否有一些已知的分类错误？

你需要一个既相互排斥又完全覆盖的数据集。你的方法暗示了这一点，但几乎不能保证这一结果。你可以考虑一个集成解决方案，这样可以保证这一点。多类支持向量机就是这样一种方法，但可能不适用于你的情况。

如果类别不是100%准确，你很容易让所有五个分类器拒绝一个特定的观察。这表明你的分类算法需要调整，或者数据本身并不像你希望的那样适合分类。

你还可以检查你是否适当地清理了数据；一些错误可能会严重影响类别边界。

我怀疑发生的情况是小边界效应：每个类别在与其他四个类别的组合进行比较时，“拉近”其边界，留下了最终集合之间的未被认领的区域。

你有办法在训练后检查分类参数吗？如果有，你能可视化选定的五个边界吗？如果你发现病态的间隙，是否有可以调整的训练参数，比如给训练组一个更大的epsilon？

希望这些对你有帮助。