4. Вывести на экран по одному-два документа каждого класса.
4. Вывести на экран по одному-два документа каждого класса.
5. Применить стемминг, записав обработанные выборки (тестовую и обучающую) в новые переменные
5. Применить стемминг, записав обработанные выборки (тестовую и обучающую) в новые переменные
6. Провести векторизацию выборки:
6. Провести векторизацию выборки:
a. Векторизовать обучающую и тестовую выборки простым подсчетом слов (CountVectorizer)
b. Вывести и проанализировать первые 20 наиболее частотных слов всей выборки и каждого класса по-отдельности.
1. Векторизовать обучающую и тестовую выборки простым подсчетом слов (CountVectorizer)
c. Рассчитать сходство по коэффициенту Жаккара между тремя классами
1. Вывести и проанализировать первые 20 наиболее частотных слов всей выборки и каждого класса по-отдельности.
d. Применить процедуру отсечения стоп-слов и повторить пункты b-c.
1. Рассчитать сходство по коэффициенту Жаккара между тремя классами
e. Провести пункты a – c для обучающей и тестовой выборки, для которой проведена процедура стемминга.
1. Применить процедуру отсечения стоп-слов и повторить пункты b-c.
f. Векторизовать выборки с помощью TfidfTransformer (с использованием TF и TF-IDF взвешиваний).
1. Провести пункты a – c для обучающей и тестовой выборки, для которой проведена процедура стемминга.
1. Векторизовать выборки с помощью TfidfTransformer (с использованием TF и TF-IDF взвешиваний).
7. Используя конвейер (Pipeline) реализовать модель Наивного Байесовского классификатора и выявить на основе показателей качества
7. Используя конвейер (Pipeline) реализовать модель Наивного Байесовского классификатора и выявить на основе показателей качества
(значения полноты, точности, f1-меры и аккуратности), какая предварительная обработка данных обеспечит наилучшие результаты классификации.
(значения полноты, точности, f1-меры и аккуратности), какая предварительная обработка данных обеспечит наилучшие результаты классификации.
@ -26,7 +27,7 @@
* Наличие \ отсутствие стемминга
* Наличие \ отсутствие стемминга
* Отсечение \ не отсечение стоп-слов
* Отсечение \ не отсечение стоп-слов
* Взвешивание: Count, TF, TF-IDF
* Взвешивание: Count, TF, TF-IDF
* Количество информативных терминов (max_features) - исследовать 5 значений в диапазоне от 100 до общего количества слов в выборке.
* Количество информативных терминов (max_features) - исследовать 5 значений: {100, 1000, 5000, 10000, dict_vol}, где dict_vol - общего количества слов в выборке.
При проведении данного исследования предлагается зафиксировать все переменные кроме одной, а далее менять незафиксированную переменную для определения ее наилучего значения.
При проведении данного исследования предлагается зафиксировать все переменные кроме одной, а далее менять незафиксированную переменную для определения ее наилучего значения.
После того как наилучшее значение найдено, фиксировать это значение, и переходить к следующей переменной.
После того как наилучшее значение найдено, фиксировать это значение, и переходить к следующей переменной.
