电影数据

电影，数据2

ACL IMDb 数据集

IMDB数据集用于数据分析机器学习

INSE6180 使用3个研究论文的数据挖掘算法实现。 该项目使用所有上述算法对从IMDb数据库获得的数据进行ML分析。 这些算法（朴素贝叶斯算法，决策树算法和支持向量机）在不同的数据集上效果最佳，但为了使它们更公平，已使用了新的IMDb数据库。 首先，对数据进行清洗，预处理，修剪然后整合，以便为分类器提供可能的最佳有意义数据。 考虑到要进行分析，分类器从头开始用Python语言编写了脚本。 最后，在已开发的分类器中进行分析，并进行比较研究。 队友：Gursimran Singh –40080981 Ufuoma Ubor-40072909 Darshan Dhananjay –40079241 Ashmeet Singh -40070369 V. Subramaniyaswamy，MV Vaibhav，RV Prasad和R. Logesh，“使用多元回归和SVM预测电影票房成功

13个文本分类数据集，按train,test集顺序存储

imdb、SST-1、SST-2、yelp-2013、yelp-2014 文本分类数据集 https://github.com/JerrikEph/Capsule4TextClassification/blob/master/data/downloadDataset.md

IMDB数据集，包括 5035部电影的IMDB评分，评分人数，主要导演，主要演员，评论人数，预算及票房，电影类型及出品年份国家。

从Netflix中删除所有不在IMDB top 250中的电影。 您已经听说过好电影-现在您可以观看它们。 一键隐藏除IMDB在Netflix上排名前250的电影以外的所有内容。 -适用于每个国家/地区！ -始终可以从当前的IMDB前250名中使用-太棒了-刷新页面以使旧电影恢复为Simples。 支持语言:English

情感分类 情感分类 情感分类是分析一段文本并预测某人是否不喜欢他们在说的事情的任务。 输入：一段文字 输出：情绪 数据集 我正在使用进行模型训练，它包含两列 前处理 代币化 令牌化是将文本，短语，句子，文档分成较小的“块”或“令牌”的过程 例如： “嘿，好久不见了” 令牌： “嘿”，“有”，“长”，“时间”，“否”，“看到” 通过定位单词边界来创建较小的单位或令牌，单词边界是单词的终点和下一个单词的开头。 排序和填充 排序用于将我们的文本用作神经网络中的输入层 “嘿，那里”，“嘿，那里儿” [['1 2']，['1'，'2'，'3']] 进行填充以使向量输入具有相同的大小 [[1,2] [1,2,3] 语料库将具有不同大小的句子，如上面的示例所示。 进行填充以使其大小相同 [[0 1 2] [1 2 3] 模型 该模型架构是使用tf.keras.utils.plot