我遇到了以下问题：我试图对大量文本文档进行分类。

共有20个类别：1个正常类，19个异常类。当我使用朴素贝叶斯分类时，得到的结果是：对于19个类别的分类效果很好，但对于“正常”类，我得到了许多错误分类：几乎所有“正常”类别的案例都被分类为其他（非正常）类别。

我的问题如下：

• 我应该如何选择“正常”类的训练集？（现在，我只是将带有“正常”类别的文本集拟合到分类器中，比例为1/20）。
• 分类器是否可以这样指定：如果属于某个类别的概率低于某个阈值，那么分类器必须为该样本设置类别（例如正常类）？

回答：

我不确定是否完全了解情况，但看起来你实际上只有两个类别：“正常”和“异常”，它们的数量和先验概率不平衡。

针对你的第一个问题，在这种情况下，我会尝试对“正常”类进行过采样以进行训练（多次传递相同的“正常”实例以“伪造”更大的数量），看看是否能提高性能。

我不太理解你的第二个问题。