- 1、本文档共13页,可阅读全部内容。
- 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
文本分类与聚类;;机器学习算法进行文本分类或聚类步骤如下。
首先是数据准备。
接着对特征提取。
进行模型选择与训练。
通过对模型测试。
最后模型融合。
;;垃圾短信分类的流程包括以下步骤。
数据读取:读取原始短信数据,共有80万条数据。
文本预处理:对原始数据进行预处理,对其进行去重、脱敏和分词等操作。
词频统计:分别统计垃圾与非垃圾短信的词频,随后绘制相应的词云图。由于原始数据量较大,需要对数据进行采样,共抽取了两万条数据进行训练模型及分类。
分类:分别采用两种方式对短信内容进行分类,第一种方式是自定义朴素贝叶斯函数,第二种则是调用Python内置函数实现朴素贝叶斯分类,两种方式的实现步骤基本一致,最终结果将与测试集进行比较,得到模型的分类情况和准确率。
模型评价:使用处理好的测试集进行预测,对比真实值与预测值,获得准确率并进行结果分析。;垃圾短信的数据读取过程如下。
读取原始短信数据。
数据中的垃圾短信共有80000条,非垃圾短信有720000条。
垃圾短信的文本预处理步骤如下。
首先查看数据是否存在缺失值,对其进行去重和脱敏操作。
接着原始数据中的敏感信息用统一字符替换。
通过采用jieba分词切分短信内容,通过自定义词典分词。
然后对分词后的结果过滤停用词。
最后经过处理的数据中存在一些无意义的空列表,对其进行删除。
;垃圾短信词频统计步骤如下。
首先通过自定义函数统计词频。
接着整合得到词汇序列再进行切分,统计每个词出现的频次。
最后分别对垃圾与非垃圾短信绘制词云图。
垃圾短信使用MultinomialNB函数步骤如下。
首先划分训练集和测试集。
然后利用训练集生成词库,分别构建训练集和测试集的向量矩阵。
最后通过内置朴素贝叶斯函数预测分类。
垃圾短信分类模型评价过程如下。
通过使用处理好的测试集进行预测,对比真实值与预测值,获得准确率并进行结果分析。
;;新闻文本聚类的流程包括以下步骤。
数据读取:读取文件列表中的新闻文本并给定标签,划分训练集与测试集,读入的每条新闻作为一行,方便后续数据处理及词频矩阵的转化。
文本预处理:每个新闻文本进行jieba分词和去除停用词处理,去除文本中无用的停用词,降低处理维度,加快计算速度。
特征提取:使用scikit-learn库调用CountVectorizer和TfidfTransformer函数计算TF-IDF值,将文本转为词频矩阵。
聚类:根据导入数据类型标签个数,从而定义分类个数,导入训练数据集后通过调用sklearn.cluster训练模型,并保存聚类模型。
模型评价:使用处理好的测试集进行预测,对比真实值与预测值,获得准确率并进行结果分析。
;新闻文本数据读取步骤如下。
首先读取文件列表中的新闻文本并给定标签。
然后划分训练集与测试集,读入的每条新闻作为一行,方便后续数据处理及词频矩阵的转化。
新闻文本聚类的文本预处理步骤如下。
首先通过自定义函数seg_word对文本预处理的内容进行封装。
接着每个新闻文本进行jieba分词和去除停用词处理。
然后去除文本中无用的停用词,降低处理维度,加快计算速度。
最后分别进行数据的预处理和后续的特征提取。
;新闻文本特征提取过程如下。
首先调用CountVectorizer函数将文本中的词语转换为词频矩阵。
接着调用TfidfTransformer函数计算TF-IDF权值并转化为矩阵。
最后分别对垃圾与非垃圾短信绘制词云图。
新闻文本聚类过程如下。
首先选取4个数据集,因此,选用4个中心点。
接着进行模型的训练,调用fit函数将数据输入到分类器中,训练完成后保存模型。
最后训练聚类模型并查看模型准确率。
新闻文本聚类的模型评价。
首先输入测试数据进行模型训练,计算测试数据的准确率。
最后使用处理好的测试集进行预测,对比真实值与预测值,获得准确率并进行结果分析。
;本章节主要介绍了文本分类与聚类基本概念如下。
首先介绍了文本挖掘的概念和应用场景。
接着介绍文本分类和文本聚类常用算法。
随后介绍文本分类与聚类的步骤。
最后实现了文本分类与文本聚类对应的Python案例,分别是垃圾短信的分类和新闻文本的聚类。
;
您可能关注的文档
- 2023年老年人防诈骗知识宣传专题讲座PPT.pptx
- 2024年中考化学项目式探究题复习策略.pptx
- 2024年中考质量分析会《新课标背景下的中考化学复习策略》.pptx
- Python中文自然语言处理基础与实战(课件)第1章 绪论.pptx
- Python中文自然语言处理基础与实战(课件)第2章 语料库.pptx
- Python中文自然语言处理基础与实战(课件)第3章 正则表达式.pptx
- Python中文自然语言处理基础与实战(课件)第4章 中文分词技术.pptx
- Python中文自然语言处理基础与实战(课件)第5章 词性标注与命名实体识别.pptx
- Python中文自然语言处理基础与实战(课件)第6章 关键词提取.pptx
- Python中文自然语言处理基础与实战(课件)第7章 文本向量化.pptx
文档评论(0)