Проблемы с пониманием выбора функции хи-квадрат

Question

У меня были проблемы с пониманием выбора функции хи-квадрат. У меня есть два класса, положительный и отрицательный, каждый из которых содержит разные термины и количество терминов. Мне нужно выполнить выбор функции хи-квадрат, чтобы извлечь наиболее представительные термины для каждого класса. Проблема в том, что я получаю ТОЧНЫЕ условия для моего положительного и отрицательного класса. Вот мой код Python для выбора функций:

#!/usr/bin/python

# import the necessary libraries
import math

class ChiFeatureSelector:
    def __init__(self, extCorpus, lookupCorpus):
        # store the extraction corpus and lookup corpus
        self.extCorpus = extCorpus
        self.lookupCorpus = lookupCorpus

    def select(self, outPath):
            # dictionary of chi-squared scores
        scores = {}

        # loop over the words in the extraction corpus
        for w in self.extCorpus.getTerms():
            # build the chi-squared table
            n11 = float(self.extCorpus.getTermCount(w))
            n10 = float(self.lookupCorpus.getTermCount(w))
            n01 = float(self.extCorpus.getTotalDocs() - n11)
            n00 = float(self.lookupCorpus.getTotalDocs() - n10)

            # perform the chi-squared calculation and store
            # the score in the dictionary
            a = n11 + n10 + n01 + n00
            b = ((n11 * n00) - (n10 * n01)) ** 2
            c = (n11 + n01) * (n11 + n10) * (n10 + n00) * (n01 + n00)
            chi = (a * b) / c
            scores[w] = chi

        # sort the scores in descending order
        scores = sorted([(v, k) for (k, v) in scores.items()], reverse = True)
        i = 0

        for (v, k) in scores:
            print str(k) + " : " + str(v)
            i += 1

            if i == 10:
                break

И вот как я использую этот класс (некоторые из них для краткости опущены, и да, я проверил, чтобы убедиться, что два корпуса не содержат точно одинаковые данные.

# perform positive ngram feature selection
print "positive:\n"
f = ChiFeatureSelector(posCorpus, negCorpus)
f.select(posOutputPath)

print "\nnegative:\n"
# perform negative ngram feature selection
f = ChiFeatureSelector(negCorpus, posCorpus)
f.select(negOutputPath)

Я чувствую, что ошибка возникает, когда я вычисляю таблицу терминов / документов, но я не уверен. Возможно, я чего-то не понимаю. Может ли кто-нибудь указать мне правильное направление?

Answer 1

В случае двух классов ранжирование признаков по критерию хи-квадрат одинаково, если происходит обмен двумя наборами данных. Это особенности, которые больше всего отличаются между двумя классами.