Budowanie modelu bag of words

Inżynieria cech dla NLP w Pythonie

Rounak Banik

Data Scientist

Format danych dla algorytmów ML

Dla każdego algorytmu ML,

Dane muszą być w formie tabelarycznej
Cechy treningowe muszą być liczbowe

Model bag of words

Wyodrębnienie tokenów słów
Obliczenie częstości tokenów
Budowa wektora słów na podstawie częstości i słownika korpusu

Przykład modelu bag of words

Korpus

"The lion is the king of the jungle"

"Lions have lifespans of a decade"

"The lion is an endangered species"

Przykład modelu bag of words

Słownik → 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]

Przetwarzanie tekstu

Lions, lion → lion
The, the → the
Bez znaków interpunkcyjnych
Bez stopwords
Mniejsze słowniki
Redukcja wymiarów poprawia wydajność

Model bag of words w sklearn

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

Model bag of words w sklearn

# Import CountVectorizer
from sklearn.feature_extraction.text import CountVectorizer

# Create CountVectorizer object
vectorizer = CountVectorizer()

# Generate matrix of word vectors
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)

Czas na ćwiczenia!

Inżynieria cech dla NLP w Pythonie