通俗易懂很好

搭配 https://www.lanqiao.cn/courses/2628 学习更佳

主要是是用jieba对一些字符串文本进行处理

字符串的加减切割组合基础操作

文本分类是指在一定的规则下，根据内容自动确定文本类别这一过程。文本分类在实际场景中有诸多方面的应用，比如常见的有垃圾邮件分类，情感分析等，新闻分类等等。 二分类问题：也是最基础的分类，顾名思义是将文本归为两种类别，比如将正常邮件邮件划分问题，垃圾邮件或者正常邮件。一段影评，判断是好评还是差评的问题。 多分类问题：是将文本划分为多个类别，比如将新闻归为政治类，娱乐类，生活类等等。 多标签分类：是给文本贴上多个不同的标签，比如一部小说可以同时被划分为多个主题，可能既是修仙小说，又是玄幻小说。 文本分类主要有两种方法：传统机器学习文本分类算法、深度学习文本分类算法。 传统方法：特征提取 + 分类器。就是将文本转换成固定维度的向量，然后送到分类器中进行分类。 深度学习方法：可以自动提取特征，实现端到端的训练，有较强的特征表征能力，所以深度学习进行文本分类的效果往往要好于传统的方法。 垃圾邮件分类任务实验步骤大致如下： 导入数据，并进行分词和剔除停用词。 划分训练集和测试集。 将文本数据转化为数字特征数据。 构建分类器。 训练分类器。 测试分类器。 词袋模型是最原始的一类特征集，忽略掉了文本的语法和语序，用一组无序的单词序列来表达一段文字或者一个文档。可以这样理解，把整个文档集的所有出现的词都丢进袋子里面，然后无序的排出来（去掉重复的）。对每一个文档，按照词语出现的次数来表示文档。 TF-IDF 模型：这种模型主要是用词汇的统计特征来作为特征集。TF-IDF 由两部分组成：TF（Term frequency，词频），IDF（Inverse document frequency，逆文档频率）两部分组成。

在语言理解中，词是最小的能够独立活动的有意义的粒度。由词到句，由句成文。在中文中，文本是由连续的字序列构成，词和词之间没有天然的分隔符。不同分词方法的结果会影响到词性，句法等问题。分词作为一个方法，如果运用场景不同，要求不同，最终对任务达到的效果也不同。可以说中文分词相对英文分词有很大的困难。 机械分词方法:正向最大匹配法，逆向最大匹配法和双向匹配法三种。 统计分词方法：语料统计方法、序列标注方法； 两种结合起来的分词方法。 第三方的中文分词工具 jieba ，用的是隐马尔可夫模型与字典相结合的方法。有三种模式可选： 全模式 精确模式 搜索引擎模式 jieba 允许用户自己添加该领域的自定义词典，我们可以提前把这些词加进自定义词典当中，来增加分词的效果。调用的方法是：`jieba.load_userdic()`。 自定义词典的格式要求每一行一个词，有三个部分，词语，词频（词语出现的频率），词性（名词，动词……）。其中，词频和词性可省略。用户自定义词典可以直接用记事本创立即可，但是需要以 utf-8 编码模式保存。 停用词表：一个简单过滤器，来过滤掉不需要的文本信息

字符串操作 统计子串出现的次数 去除字符串 拼接字符串 比较 字符串大小写转换 翻转字符串 查找字符串 判断子串是否存在 字符串代替 检查字符串

henhao

hao

hao

学习了文本分类、支持向量机、TF-IDF基础知识，并实现了一个邮件分类程序。

学习了中英文分词的基础知识。

学习

学习

学习

就是有点简单