我正在处理电子邮件主题，所以我有20封电子邮件要分类，而一个有20行的文件-一行有一个电子邮件主题。我一直在研究它，但我无法弄清楚这些功能指的是什么以及svmlight的输入文件的格式。任何提示都会有所帮助。提前感谢！
编辑：我已经把前500个主题行的tf idf作为一个试验。然而，根据svm光格式，我们需要：
<line> .=. <target> <feature>:<value> <feature>:<value> ... <feature>:<value> # <info>
我只有500行的tf-idf功能。遗憾的是，支持向量机并没有理解这一点，因为它需要特征/值对。关于这个值可能是什么，或者我如何更改文件以便被读取，有什么想法吗？
我有一个文件的想法(前5个电子邮件功能)：
1 201 1.0
2 280 0.123165672613
2 313 0.343915400191
2 515 0.157569797284
2 588 0.343915400191
2 652 0.343915400191
2 657 0.343915400191
2 774 0.23622904941
2 921 0.283118375032
2 1158 0.254849368195
2 1240 0.343915400191
2 1348 0.343915400191
2 1362 0.222321349873
3 57 0.342220321154
3 185 0.391349077827
3 244 0.391349077827
3 300 0.391349077827
3 693 0.391349077827
3 730 0.342220321154
3 1391 0.391349077827
4 57 0.342220321154
4 185 0.391349077827
4 244 0.391349077827
4 300 0.391349077827
4 693 0.391349077827
4 730 0.342220321154
4 1391 0.391349077827
5 32 0.323558487577
5 102 0.323558487577
5 157 0.364177022553
5 160 0.364177022553
5 718 0.151013895297
5 1171 0.364177022553
5 1277 0.323558487577
5 1308 0.364177022553
5 1336 0.364177022553
请帮忙！
如果您用每个单词创建一个特征，请创建一个所有唯一单词的列表w(1)w(n)。现在，如果您正在检查的样本中存在w(i)，则特征(i)的值为1。(你也可以让这个值等于出现的次数，这样一个多次出现的特征就会得到更多的权重。)
假设以下样本；
1 My hovercraft is full of eels
2 Your account is suspended
3 This is it!
你可以摘录以下词典；
001 My
002 hovercraft
003 is
:
:
009 suspended
010 This
011 it!
(前导零只是为了使功能看起来与本文中的其他数字不同。通常不应该有任何前导零。)
样本1的特征为001到006；对于样品3，它们分别为010、003和011。其他功能的值为0。因此，样本3的完整表示看起来像
3 001:0 002:0 003:1 004:0 005:0 ...
(尽管我认为您不需要指定零，即不存在的功能)。
然而，考虑到样本量很小(只有受试者)，你不太可能得到很好的结果。也许你最好使用例如二元或三元特征(使用滑动窗口拆分每个单词；tri，rig、igr和gra以及ram)。
我认为尝试将tf-idf与SVM混合是没有意义的，它们是解决同一个基本问题的不同方法。