正在检索范文
正在检索范文
以下内容均为 Demo / 示例数据，用于学习流程演示，不是真实获奖论文。
沿海城市背景下的分类题：用 naive-bayes / mlp 完成「舆情文本正负向判别」，重点练该题型的标准写法。
示例背景：围绕「舆情文本正负向判别」在沿海城市收集示意数据。先判断输出是排名、预测值还是方案，再进入模型。数据均为 Demo，不能当作真实赛题或获奖论文。
问题是什么？
定义「舆情文本正负向判别」的正负样本，并检查类别是否不平衡。
使用什么模型？
naive-bayes
为什么使用这个模型？
分类输出是类别或概率，正类定义不清后面全错。
核心公式是什么？
报告正类占比，必要时做重采样或类别权重
得到了什么结果？
示例正类偏少，因此不只看准确率。
问题是什么？
建立分类器，并报告召回、精确率或 AUC。
使用什么模型？
naive-bayes
为什么使用这个模型？
准确率在不平衡数据上会骗人，要看更贵的那类有没有漏掉。
核心公式是什么？
Precision / Recall / AUC
得到了什么结果？
模型能分开主要类别，少数类召回仍需权衡阈值。
问题是什么？
用 mlp 或混淆矩阵讨论误判代价。
使用什么模型？
mlp
为什么使用这个模型？
写清哪一类判错代价更高，比再堆一个算法有用。
核心公式是什么？
混淆矩阵与阈值移动
得到了什么结果？
提高阈值可降低误报，但漏报上升。