SVM(支持向量机）和EM（最大熵）文本分类算法

				#词频统计以及SVM训练的目录 
				statsourcedir = tt
				#词频词典
				dictionary.propdic = dictionary/sdic.txt
				#SVM模型使用的特征词词典
				featurefile = feature/feature.txt
				#统计了词频后的结果输出目录
				statoutputdir = result
				#倒排文档频度保存的目录
				dfdir = result/worddf
				#词频保存的目录
				tfdir = result/wordtf
				#MI计算词的值结果保存目录
				MIoutputdir = result/MI
				#chi统计计算词的结果保存目录
				CHIoutputdir = result/CHI
				#IG计算词的结果保存目录
				IGoutputdir = result/IG
				#选取特征词的目录
				#训练好的SVM模型存放位置
				SVM.model.dir = svmmodel
				#DAGSVM多分类要保存的类名-类编号
				SVM.model.catenamefile = svmmodel/index.txt
				SVM.model.C = 1.9
				# 0表示线性分类 ，1表示多项式核 ,2 表示RBF
				SVM.model.kerneltype = 0
				# 从每个类中选取的词个数
				model.wordNumOneCate = 150
				# 总的向量维数 每个类选取的词个数*类的个数
				SVM.model.dimension = 300
				SVM.model.kernelpara.gama = 0.00001
				SVM.model.kernelpara.r = 0
				SVM.model.kernelpara.d = 0
				# ME训练使用的参数，
				ME.Newton.TONERANCE = 0.0000001
				ME.Newton.MAX_ITERS = 50
				#me模型测试训练统计的文件目录
				ME.testdir = tt
				#me模型的特征词词典
				MEfeaturefile = feature/MEfeature.txt
				#me模型使用的特征词数目
				ME.feature.num = 300
				#训练的ME模型的参数文件
				mefeaturevalue = feature/mefeaturevalue.txt
				#是否使用高斯先验 0,1
				ME.usingprior = 0
				#高斯先验的参数值 mu为0
				ME.GaussPrior.sita = 10
				#ME模型的特征函数值，ME.feature.type为0表示用1表示值，1表示用词频 2表示其他
				ME.feature.type = 1
				#ME模型参数中的lamta值单独保存
				ME.lamta = feature/lamta.txt