11.3.1 文本分类路线图：文本输入、标签输出

文本分类接收一段文本，预测一个标签，例如情感、主题、意图或风险类型。

先看分类流水线

复杂模型之前先做基线。大多数分类问题不是模型不够强，而是标签模糊或样本分布偏。

跑一个关键词基线

texts = ["great course and clear examples", "confusing setup error"]
positive_words = {"great", "clear", "good", "useful"}

for text in texts:
    score = sum(word in positive_words for word in text.split())
    label = "positive" if score > 0 else "needs_review"
    print(label, "-", text)

预期输出：

positive - great course and clear examples
needs_review - confusing setup error

简单基线不是最终模型，但能快速暴露标签规则和失败案例。

按这个顺序学

步骤	阅读	实操产出
1	传统方法	构建 TF-IDF 或关键词基线
2	深度学习方法	比较 embeddings、pooling、CNN/RNN/Transformer 特征
3	项目实战	追踪划分、指标、标签歧义和错误样例

通过标准

如果你能训练或模拟一个分类器，报告 accuracy/F1，并解释至少一个标签模糊案例，就通过了本章。

检查思路与讲解

1. 合格答案要从文本单元和输出类型说起：token、span、句子标签、序列、embedding 或生成文本。
2. 证据应包含小样本、模型或 pipeline 选择、评价指标，以及至少一个被检查过的错误案例。
3. 自检时要能区分预处理问题和模型问题，例如分词错误、标签歧义、数据不平衡或生成幻觉。

留下的证据

学完这一页，至少保留这张证据卡：

标签模式

标签定义和边界示例

数据集划分

固定的训练/测试示例或评估集

预测

预测标签、期望标签以及置信度或分数

失败检查

类别不平衡、标签重叠、数据泄漏或措辞混淆

期望产出

按失败原因分组的指标和错误样本