Bygga en bag of words-modell

Funktionsutveckling för NLP i Python

Rounak Banik

Data Scientist

Dataformat för ML-algoritmer

För alla ML-algoritmer,

Data måste vara i tabellform
Träningssärdrag måste vara numeriska

Bag of words-modellen

Extrahera ordtoken
Beräkna frekvensen av ordtoken
Konstruera en ordvektor utifrån dessa frekvenser och korpusens vokabulär

Exempel på bag of words-modellen

Korpus

"The lion is the king of the jungle"

"Lions have lifespans of a decade"

"The lion is an endangered species"

Exempel på bag of words-modellen

Vokabulär → 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]

Textförbehandling

Lions, lion → lion
The, the → the
Inga skiljetecken
Inga stoppord
Ger ett mindre vokabulär
Färre dimensioner förbättrar prestandan

Bag of words-modell med sklearn

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

Bag of words-modell med 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)

Nu kör vi en övning!

Funktionsutveckling för NLP i Python