前文提到過，除了分類算法以外，為分類文本作處理的特征提取算法也對(duì)最終效果有巨大影響，而特征提取算法又分為特征選擇和特征抽取兩大類，其中特征選擇算法有互信息，文檔頻率，信息增益，開方檢驗(yàn)等等十?dāng)?shù)種，這次先介紹特征選擇算法中效果比較好的開方檢驗(yàn)方法。

大家應(yīng)該還記得，開方檢驗(yàn)其實(shí)是數(shù)理統(tǒng)計(jì)中一種常用的檢驗(yàn)兩個(gè)變量獨(dú)立性的方法。（什么？你是文史類專業(yè)的學(xué)生，沒有學(xué)過數(shù)理統(tǒng)計(jì)？那你做什么文本分類？在這搗什么亂？）

開方檢驗(yàn)最基本的思想就是通過觀察實(shí)際值與理論值的偏差來確定理論的正確與否。具體做的時(shí)候常常先假設(shè)兩個(gè)變量確實(shí)是獨(dú)立的（行話就叫做“原假設(shè)”），然后觀察實(shí)際值（也可以叫做觀察值）與理論值（這個(gè)理論值是指“如果兩者確實(shí)獨(dú)立”的情況下應(yīng)該有的值）的偏差程度，如果偏差足夠小，我們就認(rèn)為誤差是很自然的樣本誤差，是測(cè)量手段不夠精確導(dǎo)致或者偶然發(fā)生的，兩者確確實(shí)實(shí)是獨(dú)立的，此時(shí)就接受原假設(shè)；如果偏差大到一定程度，使得這樣的誤差不太可能是偶然產(chǎn)生或者測(cè)量不精確所致，我們就認(rèn)為兩者實(shí)際上是相關(guān)的，即否定原假設(shè)，而接受備擇假設(shè)。

那么用什么來衡量偏差程度呢？假設(shè)理論值為E（這也是數(shù)學(xué)期望的符號(hào)哦），實(shí)際值為x，如果僅僅使用所有樣本的觀察值與理論值的差值x-E之和

來衡量，單個(gè)的觀察值還好說，當(dāng)有多個(gè)觀察值x₁，x₂，x₃的時(shí)候，很可能x₁-E，x₂-E，x₃-E的值有正有負(fù)，因而互相抵消，使得最終的結(jié)果看上好像偏差為0，但實(shí)際上每個(gè)都有偏差，而且都還不小！此時(shí)很直接的想法便是使用方差代替均值，這樣就解決了正負(fù)抵消的問題，即使用

這時(shí)又引來了新的問題，對(duì)于500的均值來說，相差5其實(shí)是很小的（相差1%），而對(duì)20的均值來說，5相當(dāng)于25%的差異，這是使用方差也無法體現(xiàn)的。因此應(yīng)該考慮改進(jìn)上面的式子，讓均值的大小不影響我們對(duì)差異程度的判斷

                            式（1）

上面這個(gè)式子已經(jīng)相當(dāng)好了。實(shí)際上這個(gè)式子就是開方檢驗(yàn)使用的差值衡量公式。當(dāng)提供了數(shù)個(gè)樣本的觀察值x₁，x₂，……x_i ，……x_n之后，代入到式（1）中就可以求得開方值，用這個(gè)值與事先設(shè)定的閾值比較，如果大于閾值（即偏差很大），就認(rèn)為原假設(shè)不成立，反之則認(rèn)為原假設(shè)成立。

在文本分類問題的特征選擇階段，我們主要關(guān)心一個(gè)詞t（一個(gè)隨機(jī)變量）與一個(gè)類別c（另一個(gè)隨機(jī)變量）之間是否相互獨(dú)立？如果獨(dú)立，就可以說詞t對(duì)類別c完全沒有表征作用，即我們根本無法根據(jù)t出現(xiàn)與否來判斷一篇文檔是否屬于c這個(gè)分類。但與最普通的開方檢驗(yàn)不同，我們不需要設(shè)定閾值，因?yàn)楹茈y說詞t和類別c關(guān)聯(lián)到什么程度才算是有表征作用，我們只想借用這個(gè)方法來選出一些最最相關(guān)的即可。

此時(shí)我們?nèi)匀恍枰靼讓?duì)特征選擇來說原假設(shè)是什么，因?yàn)橛?jì)算出的開方值越大，說明對(duì)原假設(shè)的偏離越大，我們?cè)絻A向于認(rèn)為原假設(shè)的反面情況是正確的。我們能不能把原假設(shè)定為“詞t與類別c相關(guān)“？原則上說當(dāng)然可以，這也是一個(gè)健全的民主主義社會(huì)賦予每個(gè)公民的權(quán)利（笑），但此時(shí)你會(huì)發(fā)現(xiàn)根本不知道此時(shí)的理論值該是多少！你會(huì)把自己繞進(jìn)死胡同。所以我們一般都使用”詞t與類別c不相關(guān)“來做原假設(shè)。選擇的過程也變成了為每個(gè)詞計(jì)算它與類別c的開方值，從大到小排個(gè)序（此時(shí)開方值越大越相關(guān)），取前k個(gè)就可以（k值可以根據(jù)自己的需要選，這也是一個(gè)健全的民主主義社會(huì)賦予每個(gè)公民的權(quán)利）。

好，原理有了，該來個(gè)例子說說到底怎么算了。

比如說現(xiàn)在有N篇文檔，其中有M篇是關(guān)于體育的，我們想考察一個(gè)詞“籃球”與類別“體育”之間的相關(guān)性（任誰(shuí)都看得出來兩者很相關(guān)，但很遺憾，我們是智慧生物，計(jì)算機(jī)不是，它一點(diǎn)也看不出來，想讓它認(rèn)識(shí)到這一點(diǎn)，只能讓它算算看）。我們有四個(gè)觀察值可以使用：

1.         包含“籃球”且屬于“體育”類別的文檔數(shù)，命名為A

2.         包含“籃球”但不屬于“體育”類別的文檔數(shù)，命名為B

3.         不包含“籃球”但卻屬于“體育”類別的文檔數(shù)，命名為C

4.         既不包含“籃球”也不屬于“體育”類別的文檔數(shù)，命名為D

用下面的表格更清晰：

如果有些特點(diǎn)你沒看出來，那我說一說，首先，A+B+C+D=N（這，這不廢話嘛）。其次，A+C的意思其實(shí)就是說“屬于體育類的文章數(shù)量”，因此，它就等于M，同時(shí)，B+D就等于N-M。

好，那么理論值是什么呢？以包含“籃球”且屬于“體育”類別的文檔數(shù)為例。如果原假設(shè)是成立的，即“籃球”和體育類文章沒什么關(guān)聯(lián)性，那么在所有的文章中，“籃球”這個(gè)詞都應(yīng)該是等概率出現(xiàn)，而不管文章是不是體育類的。這個(gè)概率具體是多少，我們并不知道，但他應(yīng)該體現(xiàn)在觀察結(jié)果中（就好比拋硬幣的概率是二分之一，可以通過觀察多次拋的結(jié)果來大致確定），因此我們可以說這個(gè)概率接近

（因?yàn)?/span>A+B是包含“籃球”的文章數(shù)，除以總文檔數(shù)就是“籃球”出現(xiàn)的概率，當(dāng)然，這里認(rèn)為在一篇文章中出現(xiàn)即可，而不管出現(xiàn)了幾次）而屬于體育類的文章數(shù)為A+C，在這些個(gè)文檔中，應(yīng)該有

篇包含“籃球”這個(gè)詞（數(shù)量乘以概率嘛）。

但實(shí)際有多少呢？考考你（讀者：切，當(dāng)然是A啦，表格里寫著嘛……）。

此時(shí)對(duì)這種情況的差值就得出了（套用式（1）的公式），應(yīng)該是

同樣，我們還可以計(jì)算剩下三種情況的差值D₁₂，D₂₁，D₂₂，聰明的讀者一定能自己算出來（讀者：切，明明是自己懶得寫了……）。有了所有觀察值的差值，就可以計(jì)算“籃球”與“體育”類文章的開方值

把D₁₁，D₁₂，D₂₁，D₂₂的值分別代入并化簡(jiǎn)，可以得到