Как сделать классификацию текста с Accord.Net?

К сожалению, в настоящее время не все модели и методы поддерживают разреженные матрицы. Однако, если вы пытаетесь выполнить категоризацию текста, вы можете сделать это с помощью машины опорных векторов с разреженным ядром.

Разреженные ядра можно найти в пространстве имен Accord.Statistics.Kernels.Sparse, например, в SparseLinear и SparseGaussian. Эти ядра ожидают, что данные будут предоставлены в формате LibSVM Sparse. Спецификацию этого формата можно найти в часто задаваемых вопросах по LibSVM на вопрос Почему иногда не все атрибуты данных появляются в файлы обучения/модели?.

По сути, в этом формате вектор признаков, который будет представлен как

1 0 2 0

представлен как

1:1 3:2

или, другими словами, в виде списка пар position:value, где position начинается с 1.

Вот пример того, как использовать SVM с ядром SparseLinear, используя разреженный линейный формат LibSVM:

// Example AND problem
double[][] inputs =
{
    new double[] {          }, // 0 and 0: 0 (label -1)
    new double[] {      2,1 }, // 0 and 1: 0 (label -1)
    new double[] { 1,1      }, // 1 and 0: 0 (label -1)
    new double[] { 1,1, 2,1 }  // 1 and 1: 1 (label +1)
};

// Dichotomy SVM outputs should be given as [-1;+1]
int[] labels =
{
    // 0,  0,  0, 1
        -1, -1, -1, 1
};

// Create a Support Vector Machine for the given inputs
// (sparse machines should use 0 as the number of inputs)
var machine = new KernelSupportVectorMachine(new SparseLinear(), inputs: 0); 

// Instantiate a new learning algorithm for SVMs
var smo = new SequentialMinimalOptimization(machine, inputs, labels);

// Set up the learning algorithm
smo.Complexity = 100000.0;

// Run
double error = smo.Run(); // should be zero

double[] predicted = inputs.Apply(machine.Compute).Sign();

// Outputs should be -1, -1, -1, +1
Assert.AreEqual(-1, predicted[0]);
Assert.AreEqual(-1, predicted[1]);
Assert.AreEqual(-1, predicted[2]);
Assert.AreEqual(+1, predicted[3]);