Bag of words och N-gram

Särdragshantering för maskininlärning i Python

Robert O'Callaghan

Director of Data Science, Ordergroove

Problem med bag of words

 

Positiv betydelse

Ensamt ord: happy

Negativ betydelse

Bigramm : not happy

Positiv betydelse

Trigramm : never not happy

Särdragshantering för maskininlärning i Python

Använda N-gram

tv_bi_gram_vec = TfidfVectorizer(ngram_range = (2,2))

# Fit and apply bigram vectorizer
tv_bi_gram = tv_bi_gram_vec\
               .fit_transform(speech_df['text'])

# Print the bigram features
print(tv_bi_gram_vec.get_feature_names())
[u'american people', u'best ability ',
 u'beloved country', u'best interests' ... ]

Särdragshantering för maskininlärning i Python

Hitta vanliga ord

# Create a DataFrame with the Counts features
tv_df = pd.DataFrame(tv_bi_gram.toarray(),
                     columns=tv_bi_gram_vec.get_feature_names())\
                        .add_prefix('Counts_')

tv_sums = tv_df.sum()
print(tv_sums.head())
Counts_administration government    12
Counts_almighty god                 15
Counts_american people              36
Counts_beloved country               8
Counts_best ability                  8
dtype: int64
Särdragshantering för maskininlärning i Python

Hitta vanliga ord

print(tv_sums.sort_values(ascending=False)).head()
Counts_united states         152
Counts_fellow citizens        97
Counts_american people        36
Counts_federal government     35
Counts_self government        30
dtype: int64
Särdragshantering för maskininlärning i Python

Nu kör vi en övning!

Särdragshantering för maskininlärning i Python

Preparing Video For Download...