所以，我正在尝试进行文本多类分类。我阅读了很多旧的问题和博客文章，但仍然无法完全理解这个概念。

我也尝试了这个博客文章中的一些例子。 http://www.laurentluce.com/posts/twitter-sentiment-analysis-using-python-and-nltk/

但当涉及到多类分类时，我不太理解。假设我想将文本分类为多种语言，法语、英语、意大利语和德语。我想使用NaviesBayes，因为我认为这将是最容易开始的。从我读过的旧问题来看，最简单的解决方案是使用一对多的方法。因此，每种语言将有自己的模型。所以，我将为法语、英语和意大利语准备3个模型。然后我会将一段文本与每个模型进行对比，并检查哪个模型的概率最高。我的理解正确吗？

但在编码时，上面的例子中他有这样的推文，这些推文将被分类为正面或负面。

pos_tweets = [('I love this car', 'positive'),              ('This view is amazing', 'positive'),              ('I feel great this morning', 'positive'),              ('I am so excited about tonight\'s concert', 'positive'),              ('He is my best friend', 'positive')]neg_tweets = [('I do not like this car', 'negative'),              ('This view is horrible', 'negative'),              ('I feel tired this morning', 'negative'),              ('I am not looking forward to tonight\'s concert', 'negative'),              ('He is my enemy', 'negative')]

这些是正面或负面的。所以，当训练法语的一个模型时，我应该如何标记文本？会是这样的吗？那么这将是正面的吗？

[('Bon jour', 'French'),   'je m'appelle', 'French']

而负面的是

[('Hello', 'English'),    ('My name', 'English')]

但这是否意味着我可以只添加意大利语和德语，并为4种语言使用一个模型？或者我真的不需要负面的？

所以，问题是使用ntlk进行多类分类的正确方法是什么？

回答：

使用Naive Bayes不需要一对多的方案——它本身就是一个多类模型。只需向分类器学习器提供一个(sample, label)对的列表，其中label表示语言即可。