我正在使用Scikit对短句进行文本分类。一些例子是：

"Yes" - label.yes
"Yeah" - label.yes
...
"I don't know" - label.i_don't_know
"I am not sure" - label.i_don't_know
"I have no idea" - label.i_don't_know

使用TFIDFvectorier和多项式NB分类器，一切都运行得很好。

当我添加一个新的文本/标签对时，问题发生了：

"I" - label.i

预测类的“I”仍然返回标签。我不知道，即使文本正好在这样的训练数据中，这可能是因为单字“i”在标签中出现的频率更高。我不知道比在标签上。我

是否有一个分类器可以在这项任务上提供类似或更好的性能，并保证正确返回训练数据元素的预测？

此代码进一步说明了问题：

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB

#instantiate classifier and vectorizer
clf=MultinomialNB(alpha=.01)
vectorizer =TfidfVectorizer(min_df=1,ngram_range=(1,2))

#Apply vectorizer to training data
traindata=['yes','yeah','i do not know','i am not sure','i have no idea','i'];
X_train=vectorizer.fit_transform(traindata)

#Label Ids
y_train=[0,0,1,1,1,2];

#Train classifier
clf.fit(X_train, y_train)

print clf.predict(vectorizer.transform(['i']))

代码输出标签1，但正确的分类是标签2。