文件名称:
TextClassification:基于scikit-learn实现对新浪新闻的文本分类,数据集为100w篇文档,总计10类,测试集与训练集1:1划分。分类算法采用SVM和Bayes,其中Bayes作为基线-源码
开发工具:
文件大小: 98kb
下载次数: 0
上传时间: 2021-02-03
详细说明:新浪新闻文本分类
语料库重建
本项目的语料来源新浪新闻网,通过spider.py爬虫模块获得全部语料,总计获得10类新闻文本,每一类新闻文本有10条。
采纳新浪新闻网的一个api获取新闻文本,api的url为
使用进度池并发执行爬虫,加快抓取速度。
数据预处理
本项目的数据预处理包括:分词处理,去噪,向量化,由stopwords.py模块,text2term.py模块,vectorizer.py模块实现。
本项目借助第三方库解霸完成文本的分词处理。
通过停用词表移除中文停用词,通过正则表达式消除数字(中文数字&阿拉伯数字)。
filter_pattern = re . compile ( ur'[-+]?[\w\d]+|零|一|二|三|四|五|六|七|八|九|十|百|千|万|亿' )
使用进程池并发执行数据的分词和去噪,加快数据预处理的过程。
把数据集1:1划分为训练集和测试集,各50w篇文档。
通过scikit-learn提供的CountVectorizer类完成矢量化,得到训练集和测试集两个文本的特征矩阵,矩阵类型为稀疏矩阵。
移除文档中文档频率小于0.1%的特征,这些特征我们认
(系统自动生成,下载前可以参看下载内容)
下载文件列表
相关说明
- 本站资源为会员上传分享交流与学习,如有侵犯您的权益,请联系我们删除.
- 本站是交换下载平台,提供交流渠道,下载内容来自于网络,除下载问题外,其它问题请自行百度。
- 本站已设置防盗链,请勿用迅雷、QQ旋风等多线程下载软件下载资源,下载后用WinRAR最新版进行解压.
- 如果您发现内容无法下载,请稍后再次尝试;或者到消费记录里找到下载记录反馈给我们.
- 下载后发现下载的内容跟说明不相乎,请到消费记录里找到下载记录反馈给我们,经确认后退回积分.
- 如下载前有疑问,可以通过点击"提供者"的名字,查看对方的联系方式,联系对方咨询.