Clasificación estadística de textos

Question

Soy un programador sin conocimientos de estadística, y actualmente estoy buscando diferentes métodos de clasificación para un gran número de documentos diferentes que quiero clasificar en categorías predefinidas. He estado leyendo sobre kNN, SVM y NN. Sin embargo, tengo algunos problemas para empezar. ¿Qué recursos me recomiendan? Conozco bastante bien el cálculo monovariable y multivariable, así que mis matemáticas deberían ser lo suficientemente fuertes. También tengo el libro de Bishop sobre redes neuronales, pero ha resultado ser un poco denso como introducción.

Answer 1

Naive Bayes suele ser el punto de partida para la clasificación de textos, aquí hay un artículo del Dr. Dobbs sobre cómo implementar uno. También es a menudo el punto final para la clasificación de texto porque es tan eficiente y paraleliza bien, SpamAssassin y POPFile lo utilizan.