Ingeniería de características de texto

Preprocesamiento para machine learning en Python

James Chapman

Curriculum Manager, DataCamp

Extracción

Expresiones regulares: código para identificar patrones

import re

my_string = "temperature:75.6 F"

temp = re.search("\d+\.\d+", my_string)


print(float(temp.group(0)))

75.6

\d+
\.
\d+

Vectorización de texto

TF/IDF: vectoriza palabras según su importancia

TF = Frecuencia de término
IDF = Frecuencia inversa de documento

Vectorización de texto

from sklearn.feature_extraction.text import TfidfVectorizer

print(documents.head())

0    Building on successful events last summer and ...
1               Build a website for an Afghan business
2    Please join us and the students from Mott Hall...
3    The Oxfam Action Corps is a group of dedicated...
4    Stop 'N' Swap reduces NYC's waste by finding n...

tfidf_vec = TfidfVectorizer()
text_tfidf = tfidf_vec.fit_transform(documents)

Clasificación de texto

$$P(A|B) = \frac{P(B|A)P(A)}{P(B)}$$

¡Vamos a practicar!

Preprocesamiento para machine learning en Python