我正在使用机器学习方法进行情感分析（在 Twitter 数据上）的项目工作。为了找到“最好”的方法，我通过使用 unigrams、bigrams 和 unigram 和 bigrams 来尝试朴素贝叶斯和最大熵分类器。我正在为 ME 使用SharpEntropy库，并为 NB 使用自己的实现。

我的问题与 ME 分类器有关。在我的一项测试中，我使用 unigrams 和 bigrams 对其进行了训练，因为它们的性能优于仅 unigrams 和仅 bigrams 的解决方案。我使用了 100 次迭代并且没有截止（= 在训练中使用它的最小外观）。

在最初的训练之后，我开始了验证，我遇到的奇怪的事情如下：如果测试数据没有转换为一元-二元表示，我的分类器比我进行转换时的情况。所以基本上我的分类器是使用 unigram 和 bigram 训练的，但是测试数据仍然是 unigram 表示，我得到了更好的结果。（unigram 训练 - unigram 测试数据导致 58% 的准确度，bigram only 训练 - bigram only 测试导致 68% 准确率）

这种行为的原因可能是什么？我正在寻求一些帮助以更深入地了解这一点。