在我的作业中，我需要制作一个机器学习程序，完成以下任务：

该程序的输入是一个建筑计划（以PDF文本形式），主要是桥梁和水闸的项目。机器学习程序将PDF中的每句话作为一个样本（句子中的单词作为特征），并需要将每个样本/句子分类到以下类别之一：硬件相关和软件相关。（我使用了朴素贝叶斯算法结合TF-IDF。）

然而，正如你所能想象的，也有很多与硬件和软件都不相关的句子。我是否需要创建一个单独的“默认/无关”类别，这样总共有三个类别？或者最好只保留这两个类别，并根据它们的概率进行分类？例如；如果一句话被分类为硬件的概率为0.6，那么我会忽略它。但如果结果是0.8或更高，那么我会将其分类为硬件。

回答：

你需要在训练集中使用无关的句子，我将通过一个例子来解释原因：

如果你有一个三类分类问题，你可以得到这样的输出：无关95% 硬件4% 软件1%

成为硬件的可能性是成为软件的4倍。但显然你会选择无关。

如果你使用一个两类数据集，你会得到这样的输出：硬件80% 软件20%

成为硬件的可能性再次是成为软件的4倍，但这两个百分比必须总和为100%，因为分类器认为这两种可能性构成了整个宇宙。

你有两个不同的选择：

1 – 三类分类问题（硬件，软件，无关）

2 – 两个分类器的两类分类问题：

分类器1 -> 正类硬件，负类：软件 + 无关

分类器2 -> 正类软件，负类：硬件 + 无关