文本分类关键在理清数据、任务与评估关系。需明确样本来源、类别定义和效果计算，优先清洗文本、规范类别标准、分析分布，用TF-IDF+LR建基线，BERT微调注重输入构造与训练策略，上线前须盲测、置信过滤并监控漂移。
文本分类不是靠堆模型，而是靠理清数据、任务和评估之间的关系。先别急着调参，把样本怎么来、类别怎么定、效果怎么算这三件事弄明白，后面所有操作才有意义。
搞清楚你的文本和类别到底长什么样
很多初学者一上来就抓取网页或爬评论，结果发现文本噪声大、类别边界模糊、标注不一致。实际工作中，80%的问题出在定义阶段。
- 检查原始文本是否带干扰（比如HTML标签、广告语、重复标点），先做轻量清洗，不是越干净越好，而是保留对分类有判别力的信息
- 类别不能只看名字，要写清楚判定标准。例如“投诉”类，需明确：含“退钱”“不发货”“客服失联”等任一关键词且语气负面，才算；光有“差”不一定算
- 统计每个类别的样本数量和长度分布，如果某类只有20条且平均长度不到5字，大概率需要人工补标或合并类别
选模型前先跑个靠谱的基线
别一上来就上BERT。用好TF-IDF+LogisticRegression，往往能帮你快速暴露数据问题，还能当后续实验的锚点。
anything-to-html
下载
将调研报告、方案对比、数据分析、需求梳理、会议纪要、设计说明、代码评审、学习笔记等任务产物输出为可在浏览器直接打开的单文件 HTML，替代 Markdown 作为最终交付物。Markdown 在信息密度、视觉清晰度和可分享性上已跟不上 AI 产物的丰富度，HTML 能同时承载排版、表格、SVG 等。
- 用sklearn的TfidfVectorizer，ngram_range设为(1,2)，max_features控制在5万以内，避免稀疏爆炸
- 训练时固定random_state，用StratifiedKFold做5折交叉验证，别只看准确率——查准率、查全率、F1按类别输出，尤其关注小类表现
- 把预测错的样本抽出来看：是类别定义模糊？还是文本表达太口语？这些反馈比模型指标更有价值
微调预训练模型的关键动作
用BERT类模型不是“加载→训练→完事”，真正影响效果的是输入构造、截断策略和梯度控制。
- 单句分类任务，输入格式统一为[CLS] 文本 [SEP]，别加额外提示词；若文本超长，优先截断末尾而非开头（多数关键信息靠前）
- 学习率别照搬论文：BERT-base建议2e-5起步，训练轮次控制在3–4 epoch，早停监控验证集macro-F1，不是loss
- 冻结底层参数（如前6层）再微调上层，小数据下更稳；用梯度裁剪（clip_grad_norm_=1.0）防训崩
上线前必须验证的三件事
模型离线指标高≠线上好用。真实场景里，文本变、用户变、反馈也变。
- 准备一批近7天新采集但未参与训练的样本，做一次盲测，对比和开发集上的F1差距——超过5个百分点就要警惕过拟合
- 对每个预测结果输出置信分（softmax概率最大值），设定阈值（如0.6）过滤低置信样本，转人工复核，避免“瞎猜还很自信”
- 上线后每天统计各分类的请求量、拒识率、人工修正率，一旦某类修正率突增，立刻查该类新文本特征是否漂移
基本上就这些。文本分类不复杂，但容易忽略定义和验证环节。把数据当产品来打磨，模型只是执行工具。
