テキスト特徴量のエンジニアリング

Pythonで学ぶMachine Learningの前処理

James Chapman

Curriculum Manager, DataCamp

抽出

正規表現: パターンを識別するコード

import re

my_string = "temperature:75.6 F"

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


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

75.6

\d+
\.
\d+

テキストのベクトル化

TF/IDF: 重要度に基づいて単語をベクトル化

TF = 単語頻度
IDF = 逆文書頻度

テキストのベクトル化

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)

テキスト分類

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

練習しましょう！

Pythonで学ぶMachine Learningの前処理