隨著深度學習的興起，很多文字分類都轉向用cnn這樣的網路來處理。但是使用神經網路模型進行文字分類是有一定前提條件的，那就是要有足夠的樣本來訓練模型中的引數。但是很多情況下，我能能夠蒐集到的樣本不會太多，而且分類的個數是不一定的。比如，原先我有一個新聞集，要求分為“政治”，“經濟”，“文化”三種。但是那一天有要求我們再分出一個“體育”分類來。由於神經網路的輸出維度一般都是固定的。那麼遇到這種情況，就不得不重新迴圈或者或者在原先的基礎上fine tuning。是有比較大的代價的
       當遇到小樣本集時，我們可以用svm進行分類。但是原生的svm只支援二分類。無法解決多分類的問題。tgrocery是一個在小樣本集上表現良好的分類器，它的底層也是svm，但經過包裝，已經支援的多分類，而且訓練和預測速度非常快。

pip install tgrocery

2.使用（原文地址https://textgrocery.readthedocs.io/zh/latest/quick-start.html）

>>> from tgrocery import Grocery
# 新開張一個雜貨鋪（別忘了取名）
>>> grocery = Grocery('sample')
# 訓練文字可以用列表傳入
>>> train_src =
 
 [
    ('education', '名師指導託福語法技巧：名詞的複數形式'),
    ('education', '中國高考成績海外認可 是“狼來了”嗎？'),
    ('sports', '圖文：法網孟菲爾斯苦戰進16強 孟菲爾斯怒吼'),
    ('sports', '四川丹稜舉行全國長距登山挑戰賽 近萬人參與')
]
>>> grocery.train(train_src)
# 也可以用檔案傳入（預設以tab為分隔符，也支援自定義）
>>> grocery.train('train_ch.txt')
# 儲存模型
>>>
 
 grocery.save()
# 載入模型（名字和儲存的一樣）
>>> new_grocery = Grocery('sample')
>>> new_grocery.load()
# 預測
>>> new_grocery.predict('考生必讀：新託福寫作考試評分標準')
education
# 測試
>>> test_src = [
    ('education', '福建春季公務員考試報名18日截止 2月6日考試'),
    ('sports', '意甲首輪補賽交戰記錄:米蘭客場8戰不敗國米10年連勝'),
]
>>> new_grocery.test(test_src)
# 輸出測試的準確率
0.5
# 同樣可支援檔案傳入
>>> new_grocery.test('test_ch.txt')
# 自定義分詞模組（必須是一個函式）
>>> custom_grocery = Grocery('custom', custom_tokenize=list)