11．1．2　訓練樣本數(shù)量對自動分類的影響分析

馮是聰對訓練樣本的最佳數(shù)量進行了實驗，得出結論是最小樣本數(shù)是在15個^［1］。對此本系統(tǒng)采用15個為起點，分別將訓練樣本增加至50、100、150、300及以上進行分類測試（其中測試集保持不變，均為每類50篇文本。本次測試以向量距離法為分類器進行，特征選擇采用TF－IDF，測試語料為ChinaInfoBank），結果如圖11－1所示。

圖11－1　不同訓練樣本的分類結果對比

從圖11－1中可以看出，除了在訓練語料從15篇到50篇增加時，正確率有較大幅度增長（從68．39%到73．92%），在隨后的語料增加中，正確率已基本趨于穩(wěn)定，保持在73%左右?？梢娪柧毤囊?guī)模對分類系統(tǒng)的性能有一定影響。隨著訓練規(guī)模的增大，分類性能逐漸改善，但是到了一定的規(guī)模后分類性能變化不大，并保持在一個較穩(wěn)定的值上。

有一點也必須注意，就是當訓練規(guī)模增大時，雖然對分類性能有所改善，但是訓練時間也成倍增加，相應特征項潛在增加，分類時間也會加大。所以在實際應用中應綜合考慮分類性能和時間要求。

如果將語料增加的幅度值變小，可能會更好地看出其變化情況。因數(shù)據(jù)收集原因，本書在選擇訓練集時，不同類目的訓練文本數(shù)有一些差別，多的為400條（上限），最少的也有119條以上，因此本系統(tǒng)所用語料庫的數(shù)據(jù)量的差異不會對分類效果造成影響。