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

上传者: 42128270 | 上传时间: 2021-05-14 10:13:12 | 文件大小: 98KB | 文件类型: ZIP
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

文件下载

资源详情

[{"title":"( 11 个子文件 98KB ) 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","children":[{"title":"TextClassification-master","children":[{"title":"svm.py <span style='color:#111;'> 2.60KB </span>","children":null,"spread":false},{"title":"spider.py <span style='color:#111;'> 1.82KB </span>","children":null,"spread":false},{"title":"img","children":[{"title":"Figure_2.png <span style='color:#111;'> 58.67KB </span>","children":null,"spread":false},{"title":"Figure_1.png <span style='color:#111;'> 44.20KB </span>","children":null,"spread":false}],"spread":true},{"title":"text2term.py <span style='color:#111;'> 2.62KB </span>","children":null,"spread":false},{"title":"readme.md <span style='color:#111;'> 2.64KB </span>","children":null,"spread":false},{"title":"stopwords.py <span style='color:#111;'> 786B </span>","children":null,"spread":false},{"title":"viewer.py <span style='color:#111;'> 3.08KB </span>","children":null,"spread":false},{"title":"vectorizer.py <span style='color:#111;'> 2.21KB </span>","children":null,"spread":false},{"title":".gitignore <span style='color:#111;'> 55B </span>","children":null,"spread":false},{"title":"baseline.py <span style='color:#111;'> 3.31KB </span>","children":null,"spread":false}],"spread":true}],"spread":true}]

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明