本节书摘来自华章计算机《大数据架构和算法实现之路：电商系统的技术实战》一书中的第1章，第1.7节，作者 黄 申，更多章节内容可以访问云栖社区“华章计算机”公众号查看。

1.7　更多的思考

上面几节中讲述了分类这种机器学习方法的基本知识，及其系统实现。不过在实际运用中，我们还需要注意以下几点。

• 合理对待分类的准确性。我们可以看到，无论是何种算法的预测，通常都不可能拥有100%的准确性。在实际运用中，可以结合具体情况灵活运用。例如，本章提到的业务需求：如何将商品放入适合的分类中。我们可以将其看作是一个多分类问题，根据分类的预测值，提供超过1个的分类候选。像之前提到的进口牛奶和非进口纯牛奶的例子，虽然机器无法完全准确地判定其属于两者中的哪一种，但如果同时提供了两者给商家选择，那么用户体验还是相当不错的。
• 标注数据的质量。现实中，由于数据里难免存在一些干扰因素，通常需要假设现有的商品分类信息（也就是标注的训练样本）绝大部分都是正确的。有了这个假设，设计者就可以忽略基于内容特征来分类的结果误差。如果观察发现数据质量达不到要求，无法满足这个假设，那么就不能使用这种自动分类的学习模型。
• 训练样本的数量。一般商品的类目都是分为多个层级的，如图1-32所示，一级类目是“食品、饮料、酒水”，二级类目是“糖果巧克力”，三级类目是“润喉糖”。越是细分的类目，其所包含的商品数量可能就会越少。这也许会导致训练样本不够，分类精度很差的情况。这种情形下，不建议对于过小的分类进行训练和预测。可以考虑对上级类目进行处理。
• 其他可用的表示法和特征。如果只采用文本本身的词包（Bag of Word）表示，有的时候无法获取非常高的精准度。举个例子，在1.6.5节所创建的实时性预测程序中，你输入“牛奶巧克力”和“巧克力牛奶”，系统给出的分类都是“巧克力”，如图1-33所示，这明显是不准确的。也许你会考虑到更复杂的表示方法，例如n元文法（n-gram）或词组，来描述单词出现的先后顺序。除此以外，不仅仅是商品本身的标题和详细描述，还有一些其他的数据可以帮助机器进行分类，例如用户进行关键词搜索的时候，其行为也提供了非常有价值的信息。我们将在第6章讲解有关搜索相关性优化的部分继续探讨这个有趣的话题。