8、文本分类与情感分析：从基础到实践

文本分类与情感分析：从基础到实践

1. 分类模型概述

分类模型在工业中广泛用于预测分类结果，例如信用卡交易应被接受还是拒绝。分类模型主要分为两类：
- 二元分类模型：预测两种结果之一。
- 多类分类模型：预测两种以上的结果。

逻辑回归是分类模型中最广泛使用的学习算法之一。它通过拟合一个方程到训练数据，并计算每个结果正确的可能性，选择概率最高的结果来进行预测。

1.1 预测概率

predict_proba 方法在分类模型中非常有用。在二元分类中，它返回两个概率，分别对应负类和正类；在多类分类中，它返回每个可能类别的概率。这有助于评估模型对预测结果的置信度，而 predict 方法通常返回概率最高的类别。例如：

model.predict_proba([digits.data[100]])[0][4]

1.2 模型评估方法

评估分类模型有多种方法，选择哪种方法取决于模型的使用场景：
- 精确率（Precision） ：当误报（False Positives）成本较高时使用。计算公式为：精确率 = 真阳性数 / (真阳性数 + 假阳性数)。
- 召回率（Recall） ：当漏报（False Negatives）成本较高时使用。计算公式为：召回率 = 真阳性数 / (真阳性数 + 假阴性数)。
- 灵敏度（Sensitiv