NLP-特征选择

文本分类之特征选择

1 研究背景

　　对于高纬度的分类问题，我们在分类之前一般会进行特征降维，特征降维的技术一般会有特征提取和特征选择。而对于文本分类问题，我们一般使用特征选择方法。

• 特征提取：PCA、线性判别分析
• 特征选择：文档频数、信息增益、期望交叉熵、互信息、文本证据权、卡方等

特征选择的目的一般是：

1. 避免过拟合，提高分类准确度
2. 通过降维，大大节省计算时间和空间

特征选择基本思想：

1）构造一个评价函数

2）对特征空间的每个特征进行评分

3）对所有的特征按照其评估分的大小进行排序

4）从中选取一定数目的分值最高的特征项

2 常用特征选择方法

	c	~c
t	A	B
~t	C	D

2.1文档频率(Document Frequency,DF)

优点：实现简单，计算量小。

缺点：基于低频词不含分类信息或者只包含极少量分类信息，没有考虑类别信息，但实际并非如此。

2.2 互信息(Mutual Information, MI)

　　来自Claude Edwood Shannon的信息论，计算一个消息中两个信号之间的相互依赖程度。在文本分类中是计算特征词条与文本类的相互关联程度。

特征t在类别中MI公式：

特征项t在整个样本中的互信息值：

缺点：

对低频词十分敏感。若B为0时，无论A为多少算出来MI都一样，而且都很大。

2.3信息增益(Information Gain, IG)

　　来源于信息熵，公式：

优点：信息增益考虑了特征未发生的情况，特征不出现的情况可能对文档类别具有贡献

缺点：对只出现在一类的低频词有一定程度的倚重，但这类低频词未必具有很好的分类信息。

2.4卡方检验(chi-square)

　　源于统计学的卡方分布（chi-square），从（类，词项）相关表出发，考虑每一个类和每一个词项的相关情况，度量两者（特征和类别）独立性的缺乏程度，卡方越大，独立性越小，相关性越大。

特征t在类别中的CHI公式：

特征项t在整个样本中的卡方值：

缺点：和IG一样，对低频词有一定程度的倚重。

3实验效果

任务：二元文本分类

数据集：

	训练集	测试集
BCII	5494篇文档（3536个正例，1959个负例）	677篇文档（338个负例，339个负例）
BCIII	2280篇文档（1140个正例，1140个负例）	6000篇文档（910个正例，5090个负例）

实验方法：

• 文本预处理

• 特征选择：一元词特征

• 构建文本模型：BoW（布尔权值）
• 机器学习分类算法：SVM
• 评价指标：正类的F值

实验结果：

BCII结果

BCIII结果

4 总结

	DF	IG	CHI	MI
倚重低频词	N	Y	Y	Y
考虑类别信息	N	Y	Y	Y
考虑特征不出现的情况	N	Y	Y	N

经验：

1）MI对于低频词过于敏感，对于特征出现频率差异较大的数据集，MI效果十分不理想。

2）DF的效果并没有想象中的差（除去停用词），和IG、CHI差不多，不过要是降到很低维的时候，一般还是IG和CHI的效果比较好。

3）若是数据集低频词数量比较多，DF效果甚至好于IG和CHI。

4）当数据集是均匀分布时，CHI的效果要略优于IG，而当数据集类别分布极为不均时，IG的效果要优于CHI。

5）不同的分类算法、评价指标等得到的效果可能会有所不同。

我们最好是根据自己的数据集分布，想达到的目的（降维？精确度？），来选择合适的特征选择方法。

参考文献：

[1] Y.Yang, J.Pedersen. A comparative study on feature selection in text categorization. 1997

[2] G. Foreman. An Extensive Empirical Study of Feature Selection Metrics for Text Classification. 2003

[3] 代六玲，黄河燕等. 中文文本分类中特征抽取方法的比较研究. 2004