一个基于文本的机器学习程序的问题

写了一个小的基于TensowFlow的程序， 用于处理文本文件。用于训练的文本文件有720个， 这些文本文件有大有小, 每个平均大概有32K字节，4800个词（words； 这个是去除了stop words 后的数字)。

然后训练和测试了一下， 发现accuracy 很低， 只有1%。 试了一下模型的各种参数也不能提高 accuracy。这个一般是什么问题？ 数据量不够？

多谢。

试试bert transform learning

【在 nowwhat2012(Judgment  day)的大作中提到：】
：写了一个小的基于TensowFlow的程序， 用于处理文本文件。用于训练的文本文件有
720个， 这些文本文件有大有小, 每个平均大概有32K字节，4800个词（words； 这个
是去除了stop words 后的数字)。
：

Target distribution怎么样？建议先来个baseline：WC + Logistical Regression，
看看accuracy如何。

【 在 nowwhat2012 (Judgment  day) 的大作中提到: 】
: 写了一个小的基于TensowFlow的程序， 用于处理文本文件。用于训练的文本文件有
720
: 个， 这些文本文件有大有小, 每个平均大概有32K字节，4800个词（words； 这个是去
: 除了stop words 后的数字)。
: 然后训练和测试了一下， 发现accuracy 很低， 只有1%。 试了一下模型的各种参数也
: 不能提高 accuracy。这个一般是什么问题？ 数据量不够？
: 多谢。

什么文本？自然语言的话，先做embedding再训练，保证训练效果有大幅度的提高。

当然了，你这个几百个数据量是小了点，怎么得整个几千个吧。试试embedding再说吧。

不用谢，这些都是常识。

【 在 nowwhat2012 (Judgment  day) 的大作中提到: 】
: 写了一个小的基于TensowFlow的程序， 用于处理文本文件。用于训练的文本文件有
720
: 个， 这些文本文件有大有小, 每个平均大概有32K字节，4800个词（words； 这个是去
: 除了stop words 后的数字)。
: 然后训练和测试了一下， 发现accuracy 很低， 只有1%。 试了一下模型的各种参数也
: 不能提高 accuracy。这个一般是什么问题？ 数据量不够？
: 多谢。