機(jī)器學(xué)習(xí)基礎(chǔ):案例研究——week 4

作業(yè)代碼:

import graphlab
# Limit number of worker processes. This preserves system memory, which prevents hosted notebooks from crashing.
graphlab.set_runtime_config('GRAPHLAB_DEFAULT_NUM_PYLAMBDA_WORKERS', 4)
#導(dǎo)入數(shù)據(jù)
people = graphlab.SFrame("people_wiki.gl/")
#建立一個(gè)單詞統(tǒng)計(jì)向量(為每條評(píng)論建立單詞統(tǒng)計(jì)向量)【分詞】
people["word_count"] = graphlab.text_analytics.count_words(people["text"])
#計(jì)算td-idf
tfidf = graphlab.text_analytics.tf_idf(people["word_count"])
people['tfidf'] = tfidf
  1. Top word count words for Elton John
elton = people[people["name"] == "Elton John"]
elton[["word_count"]].stack("word_count",new_column_name = ["word","count"]).sort("count",ascending = False)

輸出結(jié)果如下:

Paste_Image.png

2 . Top TF-IDF words for Elton John

elton[["tfidf"]].stack("tfidf",new_column_name = ["word","tfidf"]).sort("tfidf",ascending = False)

輸出結(jié)果如下:

Paste_Image.png

3 . The cosine distance between 'Elton John's and 'Victoria Beckham's articles (represented with TF-IDF) falls within which range?
4 . The cosine distance between 'Elton John's and 'Paul McCartney's articles (represented with TF-IDF) falls within which range?
5 . Who is closer to 'Elton John', 'Victoria Beckham' or 'Paul McCartney'?

victoria = people[people['name'] == 'Victoria Beckham']
paul = people[people["name"] == "Paul McCartney"]
graphlab.distances.cosine(elton['tfidf'][0],victoria['tfidf'][0])
graphlab.distances.cosine(elton["tfidf"][0],paul["tfidf"][0])

輸出結(jié)果如下:
0.9567006376655429
0.8250310029221779

knn_tfdif_model = graphlab.nearest_neighbors.create(people,features = ["tfidf"],label = "name",distance = "cosine")
knn_wordcount_model = graphlab.nearest_neighbors.create(people,features = ["word_count"],label = "name",distance = "cosine")

6 . Who is the nearest neighbor to 'Elton John' using raw word counts?
8 . Who is the nearest neighbor to 'Victoria Beckham' using raw word counts?

knn_wordcount_model.query(elton)
knn_wordcount_model.query(victoria)

輸出結(jié)果如下:

Paste_Image.png
Paste_Image.png

7 . Who is the nearest neighbor to 'Elton John' using TF-IDF?
9 . Who is the nearest neighbor to 'Victoria Beckham' using TF-IDF?

knn_tfdif_model.query(elton)
knn_tfdif_model.query(victoria)

輸出結(jié)果如下:

Paste_Image.png
Paste_Image.png
最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末赋咽,一起剝皮案震驚了整個(gè)濱河市岛宦,隨后出現(xiàn)的幾起案子国章,更是在濱河造成了極大的恐慌蔽挠,老刑警劉巖,帶你破解...
    沈念sama閱讀 219,490評(píng)論 6 508
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件黄伊,死亡現(xiàn)場離奇詭異舱痘,居然都是意外死亡,警方通過查閱死者的電腦和手機(jī)衔蹲,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 93,581評(píng)論 3 395
  • 文/潘曉璐 我一進(jìn)店門肢娘,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人舆驶,你說我怎么就攤上這事橱健。” “怎么了贞远?”我有些...
    開封第一講書人閱讀 165,830評(píng)論 0 356
  • 文/不壞的土叔 我叫張陵畴博,是天一觀的道長。 經(jīng)常有香客問我蓝仲,道長俱病,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 58,957評(píng)論 1 295
  • 正文 為了忘掉前任袱结,我火速辦了婚禮亮隙,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘垢夹。我一直安慰自己溢吻,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,974評(píng)論 6 393
  • 文/花漫 我一把揭開白布果元。 她就那樣靜靜地躺著促王,像睡著了一般。 火紅的嫁衣襯著肌膚如雪而晒。 梳的紋絲不亂的頭發(fā)上蝇狼,一...
    開封第一講書人閱讀 51,754評(píng)論 1 307
  • 那天,我揣著相機(jī)與錄音倡怎,去河邊找鬼迅耘。 笑死贱枣,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的颤专。 我是一名探鬼主播纽哥,決...
    沈念sama閱讀 40,464評(píng)論 3 420
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼栖秕!你這毒婦竟也來了春塌?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 39,357評(píng)論 0 276
  • 序言:老撾萬榮一對(duì)情侶失蹤累魔,失蹤者是張志新(化名)和其女友劉穎摔笤,沒想到半個(gè)月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體垦写,經(jīng)...
    沈念sama閱讀 45,847評(píng)論 1 317
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡吕世,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 37,995評(píng)論 3 338
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了梯投。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片命辖。...
    茶點(diǎn)故事閱讀 40,137評(píng)論 1 351
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡,死狀恐怖分蓖,靈堂內(nèi)的尸體忽然破棺而出尔艇,到底是詐尸還是另有隱情,我是刑警寧澤么鹤,帶...
    沈念sama閱讀 35,819評(píng)論 5 346
  • 正文 年R本政府宣布终娃,位于F島的核電站,受9級(jí)特大地震影響蒸甜,放射性物質(zhì)發(fā)生泄漏棠耕。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,482評(píng)論 3 331
  • 文/蒙蒙 一柠新、第九天 我趴在偏房一處隱蔽的房頂上張望窍荧。 院中可真熱鬧,春花似錦恨憎、人聲如沸蕊退。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,023評(píng)論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽瓤荔。三九已至,卻和暖如春钥组,著一層夾襖步出監(jiān)牢的瞬間茉贡,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 33,149評(píng)論 1 272
  • 我被黑心中介騙來泰國打工者铜, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留腔丧,地道東北人。 一個(gè)月前我還...
    沈念sama閱讀 48,409評(píng)論 3 373
  • 正文 我出身青樓作烟,卻偏偏與公主長得像愉粤,于是被迫代替她去往敵國和親。 傳聞我的和親對(duì)象是個(gè)殘疾皇子拿撩,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,086評(píng)論 2 355

推薦閱讀更多精彩內(nèi)容