7.树立一个多类分类体系

从范围化到特点提取、建模和评估，已完成了简历分类体系的全体必要的步骤。现在将所有的东西组装在一起，运用到真实数据上以树立一个分类文本分类体系。对此工作，将应用 scikit-learn 下载的 20 个新闻组数据集。这 20 个新闻组数据集包含疏散在 20 个不同种别或主题的 18000 个新闻组帖子，这就构建了 20 类分类问题！请记住类的数目越多，尝试树立准确分类器就越庞杂或越艰苦。为避免模型由于文件头或邮件地址而过拟合或泛化能力不强，体检的做法是从文档中去除文件头、文件尾和援用，因此须要确保斟酌到了这一点。对去除上述三项内容后的空文档或没用内容的文档，也将给予剔除，由于尝试从空文档中提取特点是毫无意义的。从范围化到特点提取、建模和评估，已完成了简历分类体系的全体必要的步骤。现