一、机器学习算法选择

https://zh.wikipedia.org/wiki/朴素贝叶斯分类器 中提到“2006年有一篇文章详细比较了各种分类方法，发现更新的方法（如提升树和随机森林）的性能超过了贝叶斯分类器”，综合网络中对两者的评价，选择使用随机森林作为机器学习算法。

二、数据预处理

（1）分词：用jieba中文分词将内容切分成一组分词。

（2）热独编码: 将具有多维意义的数据转化成类二进制的数据，例如：”我们”=>包含有”我们”这组词的则为1，否则为0。详见：参考资料（4）

三、Python扩展包sklearn随机森林算法RandomForestClassifier部分参数说明

参数名称	默认值	说明
criterion	gini	纯度计算方式，详见：参考资料（1）
max_features	auto	最大特征数，减小特征选择个数m，树的相关性和分类能力也会相应的降低；增大m，两者也会随之增大。详见：参考资料（2）
max_depth	None	决策树的最大深度，数据量大的情况下spark项目组建议为4，来自：https://github.com/apache/spark/blob/master/mllib/src/main/scala/org/apache/spark/mllib/tree/RandomForest.scala

实践部分可参考：《算法实践-随机森林》

参考资料：

（1）Spark 随机森林算法原理、源码分析及案例实战 https://www.ibm.com/developerworks/cn/opensource/os-cn-spark-random-forest/

（2）随机森林（Random Forest） by poll笔记 http://www.cnblogs.com/maybe2030/p/4585705.html

（3）python的决策树和随机森林 https://www.ibm.com/developerworks/cn/opensource/os-cn-spark-random-forest/

（4）OneHotEncoder进行数据预处理 http://willz.net/2013/07/13/data_preprocessing_via_onehotencoder/