我正在尝试根据词袋、页面布局、是否包含表格、是否有粗体标题等对页面进行分类，特别是搜索页面。在此前提下，我创建了一个 pandas.DataFrame像这样，对于每个文档：
我正在研究朴素贝叶斯和 SVM 算法，但我不确定哪一种更适合这个问题。变量是独立的。其中一些必须存在才能提高分数，其中一些与逆文档频率相匹配，例如totalCharCount。
有什么帮助吗？
非常感谢！
【问题讨论】：
标签： python machine-learning svm naivebayes document-classification
通常，很难说哪种方法最有效：我假设您有更多数据，而问题很大程度上取决于数据。但是，这里有一些想法：
虽然您说功能是独立的，但似乎 totalCharCount 和 matchesOfWordY 是相互依赖的。我认为可以合理地假设文档中的字符越多，匹配的可能就越多。这是一个强烈的信号反对朴素贝叶斯。
二元逻辑回归看起来要好得多，这将是我的第一个候选者。一个建议是标准化totalCharCount 特征，因为它的规模似乎比其他特征大得多。
除非您有更多 1 类的训练示例，否则您的数据是不平衡的。如果是这种情况，您很可能会进入constant prediction problem。一种可能的解决方案是使用weighted cross entropy 损失函数。
除了SVM classifier，还要考虑xgboost.XGBClassifier。它们都可以提供非常好的准确性。
【讨论】：
由于我假设是您的标签的连续分数，这是一个回归问题。支持向量机更常见于分类问题。那里有很多可能的算法。逻辑回归对于解决此类问题非常常见。
编辑
现在您编辑了帖子，您的问题变成了分类问题:-)
分类 = 您希望将数据分类为布尔型（真、假）或多项式（大、中、小、非常小）的一些类
回归 = 连续值（0 到 1 之间的所有实数）
现在您可以试用您的 SVM，看看它是否能很好地处理您的数据。
查看@Maxim 的回答，他有一些优点（平衡、缩放）
【讨论】：