一般来说，在机器学习方法中，无论其理论性能如何，都建议测试多个模型，因为它们的准确性取决于训练数据集。确实，出于各种原因，例如线性分离或维度灾难（参见本文），文本分类通常首选几种算法（SVM、朴素贝叶斯、多项回归）。但是，没有什么能阻止您尝试随机森林并检查其性能。

现在回答你的问题。

一般来说，不管文章如何，在特征空间很大的情况下，随机森林能否有效用于短文本分类？在我看来，由于特征空间大，数据中只有少数特征需要分类，因此可能存在很多弱分类器。

鉴于随机森林（装袋决策树）的性质，您确实可能会想出一个相当弱的分类器，尤其是当只有几个特征对确定结果真正重要时。提升决策树（例如 adaboost 或梯度提升）可能更适合于加权相关预测器。

但是，请记住，在文本分类的情况下，需要一个预处理阶段来获取您的 TF 或 TF-IDF 矩阵，通过它您已经选择了相关的特征。潜在地，所有特征在这个矩阵中都是相关的，所以当你预测你的结果时，随机森林可能是有效的。

如何使用随机森林处理看不见的单词（训练集中不存在）？应该简单地将它们从输入中剥离，还是应该使用类似于拉普拉斯平滑的一些技术？

由于您使用词频作为特征，您已经定义了评估消息结果的网格。看不见的单词将在您的算法中被过滤和剥离，因为您将评估测试集中的单词在 TF 矩阵中是否存在/不存在。

如果有人读过这篇短文，也许可以解释作者如何代表随机森林的特征？

作者使用scikit-learn来自python. 我得出的结论是，该数据集很可能是一个数字数据框（分类值始终转换为 中的逻辑虚拟布尔值python）。据我了解，作者使用了以下功能：

• 过滤的词，基于它们的频率（$>5$和$<500$)，更具体地说，如果它们在消息中不存在/存在。
• 消息长度（消息中的字符数），后来转化为五个分类布尔值（消息长度$\le 40$,$\le 60$, ...)
• 字符$的出现
• 数字字符串的数量
• 存在/不存在非字母字符