数据挖掘之web文本自动分类
自动分类器利用机器学习原理对网页进行分类。分类器的工作步骤如下：
（1）利用搜狐分类目录的分类样本集进行训练，获得每个分类在特征空间上的聚类中心。
（2）采用用户选择的分类器对接收的文本进行自动分类，并输出结果。
分类器被应用在网页搜索的分类提示功能中。分类提示功能不是简单的关键字叠加。
分类器自动判断出文本所属的分类，然后按分类下结果多少给出提示，帮助用户有效缩小结果集，更精准地找到所需的信息。
百度新闻里有自动分类的新闻,据说准确率能到90%以上.
训练语料:搜狗实验室提供的分类语料精简版,另自己爬了些数据
训练词典:搜狗实验室提供的词典,包含IDF,词性等值
包含大类:房产，汽车，财经，IT，医疗，教育，旅游，体育，招聘，政治，军事
实现算法:
训练,解压搜狗分类语料,对各个类别分别训练,利用我自己变通的KNN算法,得到每种语料的学习结果
分类,给定一篇文本,分词,得到每一个词的权重,然后根学习结果比较,最相近的一类就是它所属的大类.
缺点:训练语料都是新闻类,所以测试最好用新闻语料.另IT类训练语料问题,IT类误差较大.
