Побудова моделі «мішок слів»

Інженерія ознак для NLP у Python

Rounak Banik

Data Scientist

Підсумок формату даних для алгоритмів ML

Для будь-якого алгоритму ML,

Дані мають бути у табличному вигляді
Навчальні ознаки мають бути числові

Модель «мішок слів»

Виділіть токени слів
Обчисліть частоти токенів
Побудуйте вектор слів із цих частот і словника корпусу

Приклад моделі «мішок слів»

Корпус

"The lion is the king of the jungle"

"Lions have lifespans of a decade"

"The lion is an endangered species"

Приклад моделі «мішок слів»

Словник → 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]

Попередня обробка тексту

Lions, lion → lion
The, the → the
Без пунктуації
Без стоп-слів
Менший словник
Менша розмірність покращує продуктивність

Модель «мішок слів» у sklearn

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

Модель «мішок слів» у 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)

Давайте потренуємось!

Інженерія ознак для NLP у Python