@無名
請注意本文發表于2009年3月；您所指的地址發表于2010年9月，整整晚了18個月，究竟誰是原創，不需要我多解釋了吧。

不是的，在代碼中250就是數字的250，加上引號就變成字符串了。@hellwen

如果要談什么重要還是不重要,那首先要牢記評判重要的標準,或者說,明確自己說的指標針對什么問題而言重要還是不重要。文中的觀點是告訴大家TFIDF在特征選擇階段不重要，而在分類階段很重要。但有太多的朋友在辯駁時混淆了問題的討論范圍。您也一再強調TFIDF值一樣的詞對分類的影響云云，可見您其實也在用我的結論往另一個問題上套。不過學習的過程大抵如此，我們一錯再錯，一錯再錯，但卻越來越好，越來越好。希望能和大家一起進步。@eric

@妞妞
可以試試卡方檢驗（CHI Test）。

@rubby
不是的。

@Miao
哦,需要一個Apache的commons的jar包,可以去www.apache.org找到。

@Miao
查看一下自己使用的JDK版本，保證JDK5以后.另外我沒有測試過非開源版的ICTCLAS，但是據他們的文檔和ICTCLAS4j的作者講，非開源的版本詞庫要全得多，速度也快得多。

呵呵,您再好好想想.@zhiyuan

根據某公司的要求,將源碼下載去掉了.

@tttt
請注意,本地的Application可以找到的資源,在Web服務器中未必找得到,所以請試著把ICTCLAS的詞典文件（也就是Data文件夾）放在正確的位置才可以。

@radar
準確的說,計算權重是為了能給每篇文章一個"唯一"的身份,就跟計算指紋不是為了得到指紋數據本身,而是為了得到唯一性一樣.我們需要一種指標,這種指標能讓計算機"看到"不同的兩篇文章確實不同,并且知道不同在哪里.只有能看到這種不同,計算機才能看出同類文章相似在哪里.如果有一種指標,它衡量每篇文章時結果都一樣,顯然程序沒法在這種數據基礎上學習分類的.因此形成向量表示實際是一個中間目的,終極的目的是為了讓文章之間看上去彼此不同,并且這種不同有所依據.

@lianghao.lee
連您自己都同意了我的觀點，即認為單純使用TFIDF值來判斷一個特征是否有區分度不夠，而應該考慮該值在類間的分布，這個分布情況，不管您給它起什么名字，它一定不叫TFIDF，它只是以TFIDF值為基礎，正如信息增益，卡方檢驗和互信息等方法全都是以特征的文檔頻率為基礎一樣，它們都不叫文檔頻率方法，只有直接依據文檔頻率大小排序的方法才叫做“文檔頻率特征選擇”（而且確實有這種方法）。因為說到底，我們從文本中能觀察到的量其實只有兩個：詞頻和文檔頻率，所有的方法一律以這兩個量為計算基礎，但不能由此把所有的方法都叫做詞頻方法或者文檔頻率方法。TFIDF也是一種很基礎的量（它是由詞頻和文檔頻率計算來的），同樣它也帶來了較詞頻和文檔頻率單獨使用完全不同的效果。
如果您同意這些，您就會明白我所說的“TFIDF不能用來做特征選擇”，正是指單獨使用一個特征的TFIDF值來判斷毫無道理，卡方檢驗完全基于文檔頻率計算，但單看文檔頻率也毫無道理（好吧，文檔頻率有那么一點道理，呵呵）。
另外，兩個文檔的相似度在有的分類模型里（例如支持向量機）里完全沒有用處，您通過文檔在空間中的分布也可以看出來，一些位于類別邊界附近的文檔，其實與另一個類里的文檔更加相似（反而與同類的文檔不那么相似），在這種模型中，我們僅通過它所處的位置來判斷分類，而絲毫不受它與誰相似的影響。相信這一點您一想就能明白。當然這里所爭論的乃是對分類來說文檔相似度是否一定有用（對有的方法完全沒用），而不是說TFIDF對判斷相似是否有用，我要說，對文檔相似度計算來說，TFIDF是非常有效的。

@lianghao.lee
就是因為不同的人在分類的不同階段對“重要”的定義彼此不同，所以大家會在一項指標重要還是不重要上存在分歧。注意我在談特征選擇階段特征對類別區分度方面的“重要”，而您糾結在文章向量表示時相似度判別時的“重要”。這種混淆很常見，所以也不能怪您，如果您有興趣繼續在文本分類方面深入，相信您有一天會得到不同的理解。

@koala++
如果假設各個特征項是獨立的，可以簡單的計算每個特征的增益，然后取和。
如果假設不是獨立的，就把他們的組合看成是一個新的變量，統計這個新變量可能的取值，每個取值取到的概率，重復運用信息增益的公式計算即可。

@Lebee_leon
是，還要再回過頭來說的。

@志大才疏
遺憾的是基本沒有什么文獻會仔細的說，這可能是學術論文的通病吧，總希望讀者看不懂才好。

@志大才疏
注意我說過，當你忽略類別的大小時用1除以類別總數。您的做法是考慮了類別大小的方法。

@swift7593
就是這個地方挺容易讓人誤解的，中間那條直線的表達式應該是g(x)=0，它和g(x)可是兩回事哦。

@alemist
是的，還沒有寫完，呵呵。

@Lebee_leon
我想說三點:
一是負特征對某些問題的分類是有幫助的,例如女性的第二性征對男性來說是負特征,但對判斷一個人是否為男性是很有幫助的,針對文本分類來說,負特征是否表征作用比正特征弱,尚沒有定論,因此不必急著剔除掉負特征.
二是負特征實際上也很容易被看出來,負特征一般特征值很大,但文檔頻率很小(因為它代表的是基本不會在某個類別出現的詞),我們特征選擇的時候,對每個類別也一般會先濾掉低頻詞(比如文檔頻率小于3的詞),這就剔除了很多的負特征.
三是從實驗數據的觀察來看,特征值很大的那些特征,極少有負特征,這個理論上沒有依據,純粹是觀察的結果.
綜合以上三點,我個人覺得負特征不是一個很大的問題,當然如果你的系統追求理論上的完備性,你也可以對此做些處理.

@yjwmylm
ICTCLAS因為有一個賣錢的商業版，所以這個開源的版本毛病還是比較多的。比如有一些詞庫中不存在的詞，就會扔空指針的錯誤，比如“深圳”，“大阪”這樣的詞。
還有對一些特殊的字符串模式，比如單引號隔幾個字符再加一個什么什么的，就會報錯（年代有些久遠，記不太清了）。還有一些特殊的字符，也會報錯。如果不是很重視這些偏門的東西，建議還是修改一下源代碼，把這樣的異常屏蔽下就好。

@Lebee_leon
是這樣的，您稍微想一想就可以明白這代表什么樣的意義。

@leon
不好意思，沒有明白您的意思，“返回該頁沒有發現”是指什么？

@GD Chen
我其實有一節專門列出了文本分類系列文章的參考文獻，地址是
http://m.tkk7.com/zhenandaci/archive/2008/05/31/204927.html

不是您那么理解的啦，我在原文中增加了說明，可以參考一下。

呵呵，您顯然忽略了我的提醒，在g(x)這個表達式中，x不是指橫坐標，這里的x 是一個二維向量，就是我們傳統的(x,y)（前面這個式子里的x才是橫坐標），您代進去看看，這個式子即有橫坐標，又有縱坐標，明明是條直線嘛（笑）……@志大才疏

我在"文本分類入門"系列文章的第十節把開方檢驗詳細講了一遍,有興趣可以關注.@小年

呵呵，想一想為什么聲明的部分是英文？因為任何編碼中英文字符總是相同的，因此無論使用什么編碼保存的文件，系統總是可以讀懂聲明部分（即使文件中的其他內容一律亂碼），因此聲明提供的信息才重要。@Matthew

哎呀呀,多虧了您這么一說,我才發現原來寫好的第九節沒有貼上去,呵呵……@康橋陽光

未分詞的版本整個有100兆大，您可以加我的QQ49900829，有機會在線傳給您。

啊，你提醒了我，文章中關于Data文件夾放置的位置是錯的，正確的位置應該是你建的Eclipse項目的文件夾下，而不是bin目錄下，這回應該可以了吧。

整來整去,發現不會個腳本語言不行了,用Java有時候真是大炮打蚊子.開始學習Ruby!!呵呵

請教一下iReport的問題：
我在XP操作系統上直接安裝iReport，安裝成功，也可以打開。
但是，在虛擬機中安裝了JDK\TOMCAT\ANT等等，并添加了一系列環境變量，再安裝iReport，反而無法打開，報：
Could not find the main class. Program will exit.
請問問題出在哪里呢？
謝謝！

session[:good] ||= Good.find(params[:id])

:代表什么？

不加“：”不行嗎？