基于汉字字频特征实现99.99%准确率的新闻文本分类器（二）

上一节中，已经下载解压了八万个文本文件在D盘的的ClassFile目录下。

本节，将提取它们的字频特征，并进行分类。我们将看到传说中的99.xx%......

点击下载生成字频特征数据文件的源代码：PreData.zip (15.57 kb)

有关此源代码的详细说明，将在后续的文章中详解。现在，先让我们抓紧看到那个传说中的99...%

首先，解压缩源代码，然后打开其中的PreData.sln项目文件

当VS加载了项目后（如果计算机是老版本的VS并且没有.Net Framework 4.5的话，点击修改为.Net Framework 4.0），保证D盘有足够的剩余空间（700M左右）点击三角形，即可编译代码，并运行汉字字频特征抽取程序。

程序将会加载D盘ClassFile目录下的文本数据，进行二次扫描。并生成特征数据。

激动人心的时刻要来临了，有了数据，就可以...

我们先用流行的libSvm工具包中的svm-train.exe工具（libsvm官网下载）进行一次训练，看看这次的特征数据能带来什么惊喜。如下图所示，输入命令 svm-train.exe -v 4 -c 1000 data.txt

参数含义：将八万条特征数据分成四份，交叉验证，惩罚系数1000。

经过漫长（在笔者的计算机上是约一个小时）的等待，我们得到了：

恩，这个结果，可是传统的词频方式的特征很难达到的。而且，是在我们对数据没有进行复杂的数据清洗的前提下，粗犷的得到的。

好吧，我承认，这个数据和99.xx%还有0.xx%的距离。那就让我们再向前迈出一小步吧。

嗯，本节，我们生成了基于汉字字频的特征数据集，并且，我们什么都没有额外做的情况下，用SVM的训练工具，得到了一个离99%是那么近的一个模型。

下一节，我们将祭出一个五层的人工神经网络模型。他将带来....

太晚了，休息先。