可能的重复问题：
文本分类到类别
我目前正在开发一个解决方案，用于根据10k家餐馆的描述来确定它们提供的食物类型。我使用关键词列表来决定提供哪种食物。
我对机器学习略有了解，但完全没有实际经验。能有人解释一下为什么对于这样一个简单的问题，机器学习会是一个更好的解决方案吗？我认为准确性比性能更重要！
简化示例：
["China", "Chinese", "Rice", "Noodles", "Soybeans"]["Belgium", "Belgian", "Fries", "Waffles", "Waterzooi"]可能的描述可能是：
“Hong’s Garden Restaurant为我们的顾客提供美味且价格合理的中餐。如果您在周六晚上8点突然想吃米饭、面条或大豆，别担心！我们一周七天营业，并提供外带服务。您也可以在这里吃到薯条！”
回答：
您确实描述了一个分类问题，可以通过机器学习来解决。
在这个问题中，您的特征是描述中的词语。您应该使用词袋模型 – 该模型基本上表示词语及其出现次数是分类过程中的关键因素。
要解决您的问题，以下是您应该采取的步骤：
- 创建特征提取器 – 给定餐馆的描述，返回该餐馆的“特征”（根据上述词袋模型解释的例子）。
- 手动标记一组示例，每个示例都将标记为所需的类别（中餐、比利时菜、垃圾食品等）。
- 将您的标记示例输入到学习算法中。它将生成一个分类器。根据个人经验，支持向量机（SVM）通常能提供最佳结果，但还有其他选择，如朴素贝叶斯、神经网络和决策树（通常使用C4.5），每种都有其优势。
- 当一个新的（未标记的）示例（餐馆）出现时 – 提取特征并将其输入到您的分类器中 – 它会告诉您它认为是什么（通常还会给出分类器正确性的概率）。
评估：
您可以使用交叉验证或从您的标记示例中分离出一组测试集，仅用于评估算法的准确性来评估您的算法。
优化：
根据个人经验，以下是一些对特征提取有帮助的优化方法：
- 词干提取和消除停用词通常很有帮助。
- 使用二元语法往往能提高准确性（尽管会显著增加特征空间）。
- 一些分类器容易受到大特征空间的影响（SVM除外），有几种方法可以克服这个问题，例如降低特征的维度。主成分分析（PCA）是其中一种方法。遗传算法在子集选择方面也（经验上）表现不错。
库：
遗憾的是，我对Python不够熟练，但这里有一些可能有帮助的库：
- Lucene可能对文本分析很有帮助，例如，词干提取可以使用EnglishAnalyzer来完成。Lucene有一个Python版本，称为PyLucene，我相信它可能会对您有所帮助。
- Weka是一个开源库，实现了许多对机器学习有用的东西 – 包括许多分类器和特征选择器。
- Libsvm是一个实现SVM算法的库。
