大数据时代到来,各领域据所积累的数据爆炸式增长,越来越多的数据价值等待着我们去挖掘,这使得数据挖掘这门技术近几年来变得炙手可热。由于传统的数据分析方式并不能处理文本数据,文本之类的非结构化数据中的价值并没有得到充分的挖掘。因此相较对传统结构化数据的挖掘,文本挖掘似乎更符合当下的时代背景和现实需求。文本分类是文本挖掘研究的热点方向且极具实用价值,因此文本分类被广泛的应用到各领域。理论部分,本文从文本挖掘的概念开始,逐步介绍了文本挖掘的相关知识,包括文本预处理、权重计算、特征选择以及文本表示等。重点介绍了文本分类的常用统计学习方法,如最近邻算法(KNN)、朴素贝叶斯算法(NB)和决策树算法(DT)等,并分析了各自算法的特点。在集成学习方面,概述了Bagging和Boosting两种方法的相关理论,比较了两种方法的异同,并重点介绍了具有代表性的随机森林算法。实证部分,首先选取了三种常用的单一分类模型算法,比较了其在文本分类方面的表现。从分类精度来看,KNN算法因其较好的稳定性和灵活性表现要好于朴素贝叶斯算法和决策树方法。此外,在同一份数据上我们建立了随机森林模型,比较了其与KNN算法的分类效果,结果证明集成学习分类模型在精度方面确实优于单一分类模型。最后考虑到在实际应用过程中通常文本数据规模较大,尝试了一种基于单机的文本分类模型,结果表明该模型具有一定的实用价值。