テキストファイルを2つのグループに分ける - 教師なし学習

Question

あなたは図書館員であり、時間がたっている間に は多くの種類のテキストファイルを分類しています（約100） 一般的なあいまいなキーワードです。

すべてのテキストファイルには、実際にkeyword_meaning1 またはkeyword_meaning2の話題のトピックです。

どの教師なし学習アプローチあなたは二つのグループにテキストファイルを分割する 、使うのでしょうか？

正しい分類 の（パーセンテージ）どのような精度は、テキストファイルの数に応じて達成することができますか？

それとも何とか は、彼らが間違ってclassifedすることができる ので、特定のファイルをチェックする司書の必要性があることを、1つのグループに指示することができますか？

Answer 1

最も簡単な出発点は、単純ベイズ分類器を使用することです。予想精度について推測するのは難しいです。あなたはそれを自分でテストしなければなりません。電子メールスパム検出用のプログラムを入手して試してみてください。たとえば、SpamBayes（http://spambayes.sourceforge.net/）は簡単にハック可能な出発点です。 SpamBayesには、2つのクラス間に明確な分離がない場合、メッセージに「不確実」とラベル付けするという素晴らしい機能があります。

編集：あなたは本当に教師なしクラスタリング法をしたい場合は、おそらくCarrot2（http://project.carrot2.org/）のようなものがより適切です。