Costruire un modello bag-of-words

Feature Engineering per NLP in Python

Rounak Banik

Data Scientist

Formato dei dati per gli algoritmi di ML: riepilogo

Per qualsiasi algoritmo di Machine Learning,

I dati devono essere in forma tabellare
Le feature di training devono essere numeriche

Modello bag-of-words

Estrai i token di parola
Calcola la frequenza dei token
Costruisci un vettore di parole da frequenze e vocabolario del corpus

Esempio di modello bag-of-words

Corpus

"The lion is the king of the jungle"

"Lions have lifespans of a decade"

"The lion is an endangered species"

Esempio di modello bag-of-words

Vocabolario → a, an, decade, endangered, have, is, jungle, king, lifespans, lion, Lions, of, species, the, The

"The lion is the king of the jungle"

[0, 0, 0, 0, 0, 1, 1, 1, 0, 1, 0, 1, 0, 2, 1]

"Lions have lifespans of a decade"

[1, 0, 1, 0, 1, 0, 0, 0, 1, 0, 1, 1, 0, 0, 0]

"The lion is an endangered species"

[0, 1, 0, 1, 0, 1, 0, 0, 0, 1, 0, 0, 1, 0, 1]

Preprocessing del testo

Lions, lion → lion
The, the → the
Niente punteggiatura
Niente stopword
Vocabolari più piccoli
Ridurre le dimensioni aiuta le prestazioni

Modello bag-of-words con sklearn

corpus = pd.Series([
    'The lion is the king of the jungle',
    'Lions have lifespans of a decade',
    'The lion is an endangered species'
])

Modello bag-of-words con sklearn

# Import CountVectorizer
from sklearn.feature_extraction.text import CountVectorizer

# Crea l'oggetto CountVectorizer
vectorizer = CountVectorizer()

# Genera la matrice dei vettori di parole
bow_matrix = vectorizer.fit_transform(corpus)
print(bow_matrix.toarray())

array([[0, 0, 0, 0, 1, 1, 1, 0, 1, 0, 1, 0, 3],
       [0, 1, 0, 1, 0, 0, 0, 1, 0, 1, 1, 0, 0],
       [1, 0, 1, 0, 1, 0, 0, 0, 1, 0, 0, 1, 1]], dtype=int64)

Esercitiamoci!

Feature Engineering per NLP in Python