我正在进行一个机器学习的实践问题作为练习。我只需要帮助来表述我的问题。

我有20本著名老作者的书的文本。还有5本书在历史上一直被争论是否属于同一个作者。

我在考虑如何最好地表示这个问题。我在考虑使用词袋方法来找出作者使用的最重要的词汇。

我应该将其视为一个朴素贝叶斯（垃圾邮件/非垃圾邮件）问题，还是应该使用KNN分类（作者/非作者）来检测每份文档的类别？还有其他方法吗？

回答：

我认为朴素贝叶斯可以给你一些见解。另一种方法可以是，找出区分这些书的特征，例如
1. 词汇的复杂性，一些作家容易理解并使用常见词汇，我指的是逆文档频率（IDF）
2. 有些词在他那个时代可能根本不存在，比如“自拍”、“手机”等。

尝试找出很多这样的特征，也可以训练一个判别分类器。