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.
