03 特征工程 - 特征轉(zhuǎn)換 - 分詞屡萤、Jieba分詞

02 特征工程 - 數(shù)據(jù)不平衡

特征轉(zhuǎn)換主要指將原始數(shù)據(jù)中的字段數(shù)據(jù)進(jìn)行轉(zhuǎn)換操作,從而得到適合進(jìn)行算法模型構(gòu)建的輸入數(shù)據(jù)(數(shù)值型數(shù)據(jù))掸宛,在這個(gè)過(guò)程中主要包括但不限于以下幾種數(shù)據(jù)的處理:

? 文本數(shù)據(jù)轉(zhuǎn)換為數(shù)值型數(shù)據(jù)
? 缺省值填充
? 定性特征屬性啞編碼
? 定量特征屬性二值化
? 特征標(biāo)準(zhǔn)化與歸一化

分詞

分詞是指將文本數(shù)據(jù)轉(zhuǎn)換為一個(gè)一個(gè)的單詞死陆,是NLP自然語(yǔ)言處理過(guò)程中的基礎(chǔ);因?yàn)閷?duì)于文本信息來(lái)講唧瘾,我們可以認(rèn)為文本中的單詞可以體現(xiàn)文本的特征信息措译,所以在進(jìn)行自然語(yǔ)言相關(guān)的機(jī)器學(xué)習(xí)的時(shí)候,第一操作就是需要將文本信息轉(zhuǎn)換為單詞序列饰序,使用單詞序列來(lái)表達(dá)文本的特征信息领虹。

分詞: 通過(guò)某種技術(shù)將連續(xù)的文本分隔成更具有語(yǔ)言語(yǔ)義學(xué)上意義的詞。這個(gè)過(guò)程就叫做分詞求豫。

分詞的常見(jiàn)方法
1塌衰、按照文本/單詞特征進(jìn)行劃分:對(duì)于英文文檔诉稍,可以基于空格進(jìn)行單詞劃分。
2最疆、詞典匹配:匹配方式可以從左到右杯巨,從右到左。對(duì)于匹配中遇到的多種分段可能性努酸,通常會(huì)選取分隔出來(lái)詞的數(shù)目最小的服爷。
3、基于統(tǒng)計(jì)的方法:隱馬爾可夫模型(HMM)获诈、最大熵模型(ME)仍源,估計(jì)相鄰漢字之間的關(guān)聯(lián)性,進(jìn)而實(shí)現(xiàn)切分舔涎。
4笼踩、基于深度學(xué)習(xí):神經(jīng)網(wǎng)絡(luò)抽取特征、聯(lián)合建模终抽。


Jieba分詞

jieba:中文分詞模塊戳表;
Python中漢字分詞包:jieba
安裝方式: pip install jieba
Github:https://github.com/fxsjy/jieba

jieba分詞原理:
1、字符串匹配:把漢字串與詞典中的詞條進(jìn)行匹配昼伴,識(shí)別出一個(gè)詞匾旭。
2、理解分詞法:通過(guò)分詞子系統(tǒng)圃郊、句法語(yǔ)義子系統(tǒng)价涝、總控部分來(lái)模擬人對(duì)句子的理解。(試驗(yàn)階段)
3持舆、統(tǒng)計(jì)分詞法:建立大規(guī)模語(yǔ)料庫(kù)色瘩,通過(guò)隱馬爾可夫模型或其他模型訓(xùn)練,進(jìn)行分詞(主流方法)

jieba分詞模式:
1逸寓、全模式 jieba.cut(str,cut_all=True)
2居兆、精確模式 jieba.cut(str)
3、搜索引擎模式 jieba.cut_for_search(str)

分詞特征提戎裆臁: 返回TF/IDF權(quán)重最大的關(guān)鍵詞泥栖,默認(rèn)返回20個(gè)。
jieba.analyse.extract_tags(str,topK=20)

自定義詞典: 幫助切分一些無(wú)法識(shí)別的新詞勋篓,加載詞典:jieba.load_userdict(‘dict.txt’)

調(diào)整詞典: add_word(word, freq=None, tag=None)del_word(word)可在程序中動(dòng)態(tài)修改詞典吧享。使用suggest_freq(segment, tune=True) 可調(diào)節(jié)單個(gè)詞語(yǔ)的詞頻。

04 特征工程 - 特征轉(zhuǎn)換 - 文本特征屬性轉(zhuǎn)換

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:七十年代末譬嚣,一起剝皮案震驚了整個(gè)濱河市钢颂,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌拜银,老刑警劉巖殊鞭,帶你破解...
    沈念sama閱讀 223,002評(píng)論 6 519
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件遭垛,死亡現(xiàn)場(chǎng)離奇詭異,居然都是意外死亡钱豁,警方通過(guò)查閱死者的電腦和手機(jī)耻卡,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 95,357評(píng)論 3 400
  • 文/潘曉璐 我一進(jìn)店門(mén),熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)牲尺,“玉大人卵酪,你說(shuō)我怎么就攤上這事“迹” “怎么了溃卡?”我有些...
    開(kāi)封第一講書(shū)人閱讀 169,787評(píng)論 0 365
  • 文/不壞的土叔 我叫張陵,是天一觀的道長(zhǎng)蜒简。 經(jīng)常有香客問(wèn)我瘸羡,道長(zhǎng),這世上最難降的妖魔是什么搓茬? 我笑而不...
    開(kāi)封第一講書(shū)人閱讀 60,237評(píng)論 1 300
  • 正文 為了忘掉前任犹赖,我火速辦了婚禮,結(jié)果婚禮上卷仑,老公的妹妹穿的比我還像新娘峻村。我一直安慰自己,他們只是感情好锡凝,可當(dāng)我...
    茶點(diǎn)故事閱讀 69,237評(píng)論 6 398
  • 文/花漫 我一把揭開(kāi)白布粘昨。 她就那樣靜靜地躺著,像睡著了一般窜锯。 火紅的嫁衣襯著肌膚如雪张肾。 梳的紋絲不亂的頭發(fā)上,一...
    開(kāi)封第一講書(shū)人閱讀 52,821評(píng)論 1 314
  • 那天锚扎,我揣著相機(jī)與錄音吞瞪,去河邊找鬼。 笑死驾孔,一個(gè)胖子當(dāng)著我的面吹牛尸饺,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播助币,決...
    沈念sama閱讀 41,236評(píng)論 3 424
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼螟碎!你這毒婦竟也來(lái)了眉菱?” 一聲冷哼從身側(cè)響起,我...
    開(kāi)封第一講書(shū)人閱讀 40,196評(píng)論 0 277
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤掉分,失蹤者是張志新(化名)和其女友劉穎俭缓,沒(méi)想到半個(gè)月后克伊,有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 46,716評(píng)論 1 320
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡华坦,尸身上長(zhǎng)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 38,794評(píng)論 3 343
  • 正文 我和宋清朗相戀三年愿吹,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 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惜姐。...
    茶點(diǎn)故事閱讀 40,928評(píng)論 1 353
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡犁跪,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出歹袁,到底是詐尸還是另有隱情坷衍,我是刑警寧澤,帶...
    沈念sama閱讀 36,583評(píng)論 5 351
  • 正文 年R本政府宣布条舔,位于F島的核電站枫耳,受9級(jí)特大地震影響,放射性物質(zhì)發(fā)生泄漏孟抗。R本人自食惡果不足惜迁杨,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 42,264評(píng)論 3 336
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望凄硼。 院中可真熱鬧铅协,春花似錦、人聲如沸帆喇。這莊子的主人今日做“春日...
    開(kāi)封第一講書(shū)人閱讀 32,755評(píng)論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)坯钦。三九已至预皇,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間婉刀,已是汗流浹背吟温。 一陣腳步聲響...
    開(kāi)封第一講書(shū)人閱讀 33,869評(píng)論 1 274
  • 我被黑心中介騙來(lái)泰國(guó)打工, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留突颊,地道東北人鲁豪。 一個(gè)月前我還...
    沈念sama閱讀 49,378評(píng)論 3 379
  • 正文 我出身青樓,卻偏偏與公主長(zhǎng)得像律秃,于是被迫代替她去往敵國(guó)和親爬橡。 傳聞我的和親對(duì)象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,937評(píng)論 2 361

推薦閱讀更多精彩內(nèi)容