使用Scikit Learn SVM准备文本分类数据

Question

我正在尝试从Scikit应用SVM学习对我收集的推文进行分类.因此,将有两个类别,将它们命名为A和B.现在,我将所有推文分类为两个文本文件"A.txt"和"B.txt".但是,我不确定Scikit Learn SVM要求的数据输入类型.我有一个字典,标签(A和B)作为其键和特征字典(unigrams)及其频率作为值.对不起,我是机器学习的新手,不知道如何让SVM工作.我发现SVM使用numpy.ndarray作为其数据输入的类型.我是否需要根据自己的数据创建一个？它应该是这样的吗？

Labels    features    frequency
  A        'book'        54
  B       'movies'       32

任何帮助表示赞赏.

Answer 1

查看有关文本特征提取的文档.

另请看文本分类示例.

这里还有一个教程:

http://scikit-learn.org/stable/tutorial/text_analytics/working_with_text_data.html

特别是不要过分关注SVM模型(尤其不是sklearn.svm.SVC内核模型更有趣,因此不是文本分类):简单的Perceptron,LogisticRegression或Bernoulli朴素贝叶斯模型可能会更好地训练,同时更快.